Sequential怎么用

Sequential类是PyTorch中用于实现简单的顺序连接模型的类。它类似于Keras中的序贯模型。我们可以使用Sequential类来定义模型或者包装多个层。具体使用方法如下：

1. 导入必要的库和模块：

   import torch
   import torch.nn as nn

2. 创建Sequential实例：

   model = nn.Sequential()

3. 逐层添加神经网络层：

   model.add_module('layer1', nn.Linear(input_dim, hidden_dim))
   model.add_module('activation1', nn.ReLU())
   model.add_module('layer2', nn.Linear(hidden_dim, output_dim))
   model.add_module('activation2', nn.Softmax(dim=1))

4. 查看模型结构：

   print(model)

5. 使用模型进行前向传播：

   output = model(input)

在上述代码中，`input_dim`是输入层的维度，`hidden_dim`是隐藏层的维度，`output_dim`是输出层的维度。通过`add_module`方法，我们可以逐层地添加神经网络层。在每个层的后面，可以添加不同的激活函数，如ReLU、Sigmoid或Softmax等。

请注意，上述代码仅是Sequential类的基本用法。实际上，我们还可以使用其他方法来定义和训练模型，如自定义模块和使用函数式API等。