cnn = nn.Sequential()作用是什么

在PyTorch中，`nn.Sequential()`是一个用于构建神经网络模型的容器。它可以按照顺序将多个层或模块组合在一起，形成一个神经网络模型。

具体来说，`nn.Sequential()`允许我们按照顺序添加不同的层或模块，并将它们连接在一起。当输入数据通过`nn.Sequential()`时，它会按照添加的顺序依次经过每个层或模块进行前向传播计算。

例如，下面是一个简单的示例，展示了如何使用`nn.Sequential()`构建一个简单的卷积神经网络（CNN）：

import torch
import torch.nn as nn

# 定义一个简单的CNN模型
cnn = nn.Sequential(
    nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1),
    nn.ReLU(),
    nn.MaxPool2d(kernel_size=2, stride=2),
    nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1),
    nn.ReLU(),
    nn.MaxPool2d(kernel_size=2, stride=2),
    nn.Flatten(),
    nn.Linear(32 * 7 * 7, 10),
    nn.Softmax(dim=1)
)

# 打印模型结构
print(cnn)

在上述示例中，`nn.Sequential()`按照顺序添加了一系列的层或模块，包括卷积层、激活函数、池化层、全连接层等。这些层或模块会按照添加的顺序依次进行前向传播计算。