troch make_block

`torch.nn.Sequential()` 可以用于构建一个由多个子模块构成的神经网络模型，其中每个子模块都是由 `torch.nn.Module` 类构建的。在 `Sequential()` 中添加的子模块按照添加的顺序依次被调用。因此，如果我们想要构建一个由多个相同的子模块组成的神经网络模型，可以通过 `torch.nn.Sequential()` 来实现。

下面是一个使用 `torch.nn.Sequential()` 来构建一个由多个相同的子模块组成的神经网络模型的示例代码：

import torch.nn as nn

class Block(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1):
        super(Block, self).__init__()
        self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding)
        self.bn = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)

    def forward(self, x):
        x = self.conv(x)
        x = self.bn(x)
        x = self.relu(x)
        return x

def make_block(in_channels, out_channels, num_blocks):
    layers = []
    for i in range(num_blocks):
        layers.append(Block(in_channels, out_channels))
        in_channels = out_channels
    return nn.Sequential(*layers)

其中，`Block` 类表示一个基本的卷积块，`make_block` 函数用于构建由多个相同的卷积块组成的神经网络模型。在 `make_block` 函数中，`in_channels` 表示输入数据的通道数，`out_channels` 表示输出数据的通道数，`num_blocks` 表示卷积块的个数。在函数中，我们通过循环调用 `Block` 类来构建多个卷积块，并将它们组合成一个神经网络模型。最终，`make_block` 函数返回一个由多个相同的卷积块组成的神经网络模型。