nn.sequential怎么训练

要训练 nn.Sequential，你需要定义一个损失函数和优化器，然后使用一个循环来迭代数据集。以下是一个基本的训练代码示例：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
model = nn.Sequential(
    nn.Linear(10, 20),
    nn.ReLU(),
    nn.Linear(20, 1)
)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(num_epochs):
    for inputs, targets in data_loader:
        # 前向传递
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        
        # 反向传递和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

在这个训练代码中，我们首先定义了一个 nn.Sequential 模型，然后定义了一个均方误差损失函数和随机梯度下降优化器。接下来，我们使用一个循环来迭代数据集，在每个迭代中进行前向传递，计算损失，然后执行反向传递和优化。