基于pytorch中的Sequential用法说明

在PyTorch中，Sequential是一个用于构建神经网络的容器。它可以将多个层组合在一起，形成一个序列化的神经网络模型。下面是两个示例说明如何使用Sequential。

示例1

假设我们有一个包含两个线性层和一个ReLU激活函数的神经网络模型，我们想要使用Sequential来构建这个模型。我们可以使用以下代码来实现这个功能。

import torch.nn as nn

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

在这个示例中，我们使用nn.Sequential来定义一个名为model的神经网络模型。我们将两个线性层和一个ReLU激活函数按照顺序传递给Sequential，它们将被组合成一个序列化的神经网络模型。第一个线性层的输入维度为10，输出维度为20；ReLU激活函数没有参数；第二个线性层的输入维度为20，输出维度为1。

示例2

假设我们有一个包含两个卷积层和一个池化层的神经网络模型，我们想要使用Sequential来构建这个模型。我们可以使用以下代码来实现这个功能。

import torch.nn as nn

model = nn.Sequential(
    nn.Conv2d(3, 16, kernel_size=3, padding=1),
    nn.ReLU(),
    nn.Conv2d(16, 32, kernel_size=3, padding=1),
    nn.ReLU(),
    nn.MaxPool2d(kernel_size=2, stride=2),
)

在这个示例中，我们使用nn.Sequential来定义一个名为model的神经网络模型。我们将两个卷积层和一个池化层按照顺序传递给Sequential，它们将被组合成一个序列化的神经网络模型。第一个卷积层的输入通道数为3，输出通道数为16，卷积核大小为3，填充大小为1；ReLU激活函数没有参数；第二个卷积层的输入通道数为16，输出通道数为32，卷积核大小为3，填充大小为1；ReLU激活函数没有参数；池化层的池化核大小为2，步长为2。

希望这些示例能够帮助你理解如何使用Sequential来构建神经网络模型。