nn.Sequential(*block_list)

`nn.Sequential` 是一个 PyTorch 中的模型容器，它按顺序将一系列模块组成一个神经网络。在定义模型时，我们可以将一系列的层或模块按照顺序传入 `nn.Sequential()` 中，然后将输入传递给 `nn.Sequential()`，它会自动依次按顺序执行每个模块，并将输出作为下一个模块的输入，最终输出最终的结果。

`*block_list` 是一个可变参数，表示可以传入任意多个参数，这些参数将被打包成一个元组 `block_list`。在 `nn.Sequential()` 中，每个参数都代表一个模块，可以是一个单独的层，也可以是一个子模型。例如：

import torch.nn as nn

model = nn.Sequential(
    nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1),
    nn.ReLU(),
    nn.MaxPool2d(kernel_size=2, stride=2),
    nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),
    nn.ReLU(),
    nn.MaxPool2d(kernel_size=2, stride=2),
    nn.Flatten(),
    nn.Linear(7 * 7 * 128, 1024),
    nn.ReLU(),
    nn.Dropout(0.5),
    nn.Linear(1024, 10)
)

在上面的例子中，我们定义了一个卷积神经网络，其中包含两个卷积层，两个 ReLU 激活函数，两个最大池化层，一个展平层，两个全连接层和一个 Dropout 层。这些层按照顺序组成了一个神经网络，并传递给 `nn.Sequential()`。当我们将输入传递给 `model` 时，它会自动依次执行每个层，并将输出作为下一个层的输入，最终输出最终的结果。