nn.Sequential

`nn.Sequential` 是 PyTorch 中的一个容器，可以方便地将多个层或模块组合成一个网络。具体来说，`nn.Sequential` 会按照传入的顺序依次执行各个层或模块，并将每个层或模块的输出作为下一个层或模块的输入，最终得到网络的输出。

`nn.Sequential` 的使用非常简单，只需要按照以下格式构建即可：

import torch.nn as nn

model = nn.Sequential(
    nn.Linear(784, 256),
    nn.ReLU(),
    nn.Linear(256, 128),
    nn.ReLU(),
    nn.Linear(128, 10),
    nn.Softmax(dim=1)
)

在上面的例子中，我们构建了一个包含三个全连接层和两个激活函数的前馈神经网络。`nn.Sequential` 会按照传入的顺序依次执行这些层，其中第一个全连接层的输入维度为 784，输出维度为 256，第二个全连接层的输入维度为 256，输出维度为 128，最后一个全连接层的输入维度为 128，输出维度为 10。在每个全连接层之后，我们使用了 ReLU 激活函数。最后一个层使用了 Softmax 函数进行分类。

需要注意的是，`nn.Sequential` 只适用于按顺序执行的网络，如果网络中存在分支、循环等结构，则不能使用 `nn.Sequential`。

相关问题

nn.sequential

`nn.Sequential` 是 PyTorch 中的一个模块容器，用于按照顺序组织其他 PyTorch 模块。它可以让我们将多个模块组合成一个序列，便于模型的构建和调整。

使用 `nn.Sequential`，我们可以按照顺序依次组合多个层或模块，每个层或模块都是一个对象。例如，以下代码构建了一个包含两个线性层和一个ReLU激活函数的神经网络：

import torch.nn as nn

model = nn.Sequential(
            nn.Linear(784, 256),
            nn.ReLU(),
            nn.Linear(256, 10)
        )

以上代码中，第一个线性层的输入大小为 784，输出大小为 256；ReLU 激活函数不需要输入和输出大小；第二个线性层的输入大小为 256，输出大小为 10。

`nn.Sequential` 也可以嵌套，以支持更复杂的模型结构。