nn.Sequential的用法

`nn.Sequential`是PyTorch中的一个容器，它可以按照给定的顺序依次执行一系列的神经网络层或模块。

使用`nn.Sequential`可以方便地构建简单的神经网络模型。例如，下面的代码展示了如何使用`nn.Sequential`构建一个包含两个全连接层的简单神经网络：

import torch.nn as nn

model = nn.Sequential(
          nn.Linear(10, 20),
          nn.ReLU(),
          nn.Linear(20, 5),
          nn.Softmax(dim=1)
        )

以上代码中，首先使用`nn.Linear`定义了一个输入维度为10，输出维度为20的全连接层，接着使用`nn.ReLU`定义了一个ReLU激活函数，然后又定义了一个输入维度为20，输出维度为5的全连接层，最后使用`nn.Softmax`定义了一个Softmax层，用于输出概率分布。

在上述的代码中，模型的输入是一个大小为`(batch_size, 10)`的张量，输出是一个大小为`(batch_size, 5)`的概率分布。整个模型的执行顺序是依次执行每一层的前向传播。

需要注意的是，如果某一层需要传入参数，则需要在`nn.Sequential`中使用`nn.ModuleList`进行包装。例如，下面的代码展示了如何使用`nn.Sequential`构建一个包含两个卷积层和一个全连接层的神经网络模型：

import torch.nn as nn

model = nn.Sequential(
          nn.Conv2d(3, 16, kernel_size=3),
          nn.ReLU(),
          nn.Conv2d(16, 32, kernel_size=3),
          nn.ReLU(),
          nn.Flatten(),
          nn.ModuleList([
              nn.Linear(32 * 6 * 6, 256),
              nn.ReLU(),
              nn.Linear(256, 10),
              nn.Softmax(dim=1)
          ])
        )

在这个例子中，输入的张量是大小为`(batch_size, 3, 28, 28)`的图像，输出的张量是大小为`(batch_size, 10)`的概率分布。在模型中，前两个`nn.Conv2d`层后面都跟着一个`nn.ReLU`层，表示卷积操作之后使用ReLU激活函数。然后使用`nn.Flatten`将卷积层的输出展平成一维向量，接着定义了一个包含两个全连接层的`nn.ModuleList`，最后使用`nn.Softmax`定义了一个Softmax层。其中，在`nn.ModuleList`中定义每个全连接层时都需要使用`nn.Linear`进行定义，因为这些层需要传入参数。