介绍

torch.nn.Sequential 是 PyTorch 中的一个容器模块，用于将多个神经网络层按顺序组合在一起。它可以让我们以更加简洁的方式定义前向传播的网络结构，适合简单的线性堆叠模型。

基本用法

torch.nn.Sequential 按照定义的顺序将多个层组合在一起，输入数据会依次通过这些层。

python">import torch.nn as nn  # 定义一个简单的网络  
model = nn.Sequential(  nn.Linear(10, 20),  # 全连接层：输入 10，输出 20  nn.ReLU(),          # 激活函数：ReLU  nn.Linear(20, 1)    # 全连接层：输入 20，输出 1  
)

当调用 model(input) 时，输入会依次通过 Sequential 中的每一层。

python">import torch  input = torch.randn(5, 10)  # 输入：batch_size=5, features=10  
output = model(input)       # 前向传播  
print(output.shape)         # 输出：torch.Size([5, 1])

添加命名层

可以为每一层指定名称，方便后续访问或调试。

python">model = nn.Sequential(  ('fc1', nn.Linear(10, 20)),  # 命名为 'fc1'  ('relu1', nn.ReLU()),        # 命名为 'relu1'  ('fc2', nn.Linear(20, 1))    # 命名为 'fc2'  
)

通过名称或索引访问某一层：

python">print(model.fc1)  # 访问名为 'fc1' 的层  
print(model[0])   # 通过索引访问第一层

动态添加层

可以通过 add_module 方法动态添加层。

python">model = nn.Sequential()  
model.add_module('fc1', nn.Linear(10, 20))  # 添加第一层  
model.add_module('relu1', nn.ReLU())        # 添加激活函数  
model.add_module('fc2', nn.Linear(20, 1))   # 添加第二层

嵌套使用

nn.Sequential 可以嵌套使用，用于构建更复杂的网络。

python">model = nn.Sequential(  nn.Sequential(  nn.Linear(10, 20),  nn.ReLU()  ),  nn.Sequential(  nn.Linear(20, 10),  nn.ReLU()  ),  nn.Linear(10, 1)  
)

与自定义前向传播的区别

nn.Sequential 适合简单的线性堆叠模型，但如果需要更复杂的前向传播逻辑（如分支、跳跃连接等），需要继承 nn.Module 并自定义 forward 方法。
使用 nn.Sequential

python">model = nn.Sequential(  nn.Linear(10, 20),  nn.ReLU(),  nn.Linear(20, 1)  
)

自定义 forward

python">class CustomModel(nn.Module):  def __init__(self):  super(CustomModel, self).__init__()  self.fc1 = nn.Linear(10, 20)  self.fc2 = nn.Linear(20, 1)  self.relu = nn.ReLU()  def forward(self, x):  x = self.fc1(x)  x = self.relu(x)  x = self.fc2(x)  return x  model = CustomModel()