nn.Sequential（）

在船当牛马的Bing

已于 2023-10-11 11:12:45 修改

阅读量275

点赞数

CC 4.0 BY-SA版权

文章标签：深度学习人工智能

于 2023-10-11 11:10:33 首次发布

本文链接：https://blog.youkuaiyun.com/Xiang_bin_bin/article/details/133763611

本文介绍了nn.Sequential在PyTorch中的作用，如何通过该类将卷积层、BN层和激活函数组合成一个层次结构，简化模型构建过程。通过实例展示了如何创建一个包含多个层级的神经网络模块并实现前向传播。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

nn.Sequential的作用
示例

nn.Sequential的作用

定义：一个序列容器，用于搭建神经网络的模块被按照被传入构造器的顺序添加到nn.Sequential()容器中。

使用：通过nn.Sequential()将卷积层，BN层和激活函数层封装在一个层中，输入x经过卷积、BN和ReLU后直接输出激活函数作用之后的结果。

`示例`

from torch import nn


class net(nn.Module):
    def __init__(self, in_channel, out_channel):
        super(net, self).__init__()
        self.layer1 = nn.Sequential(nn.Conv2d(in_channel, in_channel / 4, kernel_size=1),
                                    nn.BatchNorm2d(in_channel / 4),
                                    nn.ReLU())
        self.layer2 = nn.Sequential(nn.Conv2d(in_channel / 4, in_channel / 4),
                                    nn.BatchNorm2d(in_channel / 4),
                                    nn.ReLU())
        self.layer3 = nn.Sequential(nn.Conv2d(in_channel / 4, out_channel, kernel_size=1),
                                    nn.BatchNorm2d(out_channel),
                                    nn.ReLU())
        
    def forward(self, x):
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        
        return x