torch.nn.Sequential()函数的意义和用法

torch.nn.Sequential()函数是PyTorch中的一个类，可以用于构建神经网络模型。它允许我们按照顺序将多个层（layers）组合在一起，构建一个神经网络模型。

使用torch.nn.Sequential()函数时，我们可以将多个层作为参数传递给它，按照传递的顺序依次添加到模型中。每个层都可以是PyTorch中提供的预定义层（如全连接层、卷积层等），也可以是自定义的层。

下面是一个简单的示例，展示了如何使用torch.nn.Sequential()函数构建一个简单的前馈神经网络模型：

import torch
import torch.nn as nn

# 定义一个简单的前馈神经网络模型
model = nn.Sequential(
    nn.Linear(784, 256),  # 全连接层1：输入大小为784，输出大小为256
    nn.ReLU(),  # ReLU激活函数
    nn.Linear(256, 128),  # 全连接层2：输入大小为256，输出大小为128
    nn.ReLU(),  # ReLU激活函数
    nn.Linear(128, 10),  # 全连接层3：输入大小为128，输出大小为10（输出类别数）
    nn.Softmax(dim=1)  # Softmax激活函数，用于多分类问题
)

# 打印模型结构
print(model)

在这个例子中，我们使用torch.nn.Sequential()函数创建了一个模型，并按照顺序添加了三个全连接层以及两个激活函数。最后一个全连接层的输出大小设置为10，因为我们假设这是一个10类分类问题。最后，我们使用print语句打印了模型的结构。

这样，通过torch.nn.Sequential()函数，我们可以方便地按照顺序组合多个层，构建神经网络模型。