nn.Sequential（）

原创 已于 2023-10-11 11:12:45 修改 · 275 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
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
nn.ModuleList和nn.Sequential的联合使用举例
andeyeluguo的博客
02-19 601
下面是一个简单的示例，演示了如何使用 `nn.ModuleList` 和 `nn.Sequential` 来定义一个模型。这些子模块被存储在 `nn.ModuleList` 对象 `self.layers` 中。在 `forward` 方法中，我们遍历 `self.layers` 中的每个子模块，并将输入 `x` 传递给它们，然后将输出作为下一个子模块的输入。通过使用 `nn.ModuleList` 和 `nn.Sequential` 的组合，我们可以方便地管理和组织模型的子模块，使代码更加简洁和可读。
【零基础入门】一篇弄懂nn.Sequential以及ModuleList的使用（呕心沥血版）
十二月的猫
03-19 1088
本文详细介绍了 PyTorch 中 nn.Sequential 和 nn.ModuleList 的使用及其区别。通过深入分析这两个模块容器的特性，文章讲解了如何使用它们高效地构建神经网络模型。首先，介绍了 nn.Sequential，展示了如何通过按顺序添加子模块来快速构建简单的模型结构。接着，详细阐述了 nn.ModuleList 的使用，重点讲解了它如何提供更多的灵活性，允许动态地添加和管理子模块，特别是在需要更复杂的控制流时。本文通过实际示例，帮助读者深入理解这两种容器的应用场景，明确它们的优缺点
【深度学习笔记】task3 神经网络八股
一一xi的博客
10-26 1149
深度学习3.1搭建神经网络八股sequential3.1.1 Sequential3.2.2 compile配置神经网络训练方法 依依旧是跟着曹健老师的课程学习，终于来到精华部分了，之前又臭又长的代码们get out https://www.bilibili.com/video/BV1B7411L7Qt?p=1 原码见https://github.com/jlff/tf2_notes 目录 3.1搭建神经网络八股sequential 六步法 import相关模块，import 指定训练集测试集的输入和其
nn.Sequential()
热门推荐
Just_do_myself的博客
04-15 6万+
nn.Sequential() nn.Sequential()介绍 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。除此之外，一个包含神经网络模块的OrderedDict也可以被传入nn.Sequential()容器中。利用nn.Sequential()搭建好模型架构，模型前向传播时调用forward()方法，模型接收的输入首先被传入nn.Sequential()包含的第一个网络模块中。然后，第一个网络模块的输出传入第二个网络模块作为输入，按照顺序依次
nn.Sequential(*layers)
qq_38765642的博客
04-09 2315
nn.Sequential(*layers) 详细
【python】*号用法 如nn.Sequential(*layers)
qq_41748260的博客
02-16 1万+
形参——单个星号代表这个位置接收任意多个非关键字参数，转化成元组方式。 实参——如果*号加在了是实参上，代表的是将输入迭代器拆成一个个元素。 从nn.Sequential的定义来看，输入要么是orderdict,要么是一系列的模型，遇到list，必须用*号进行转化，否则会报错 TypeError: list is not a Module subclass # Example of using ...
nn.Sequential参数加 * 的理解
shenjianhua005的专栏
11-11 4087
def __init__(self, *args, **kwargs) def init(self, *args, **kwargs): 其含义代表什么？ *args：如果是没有指定key的参数,比如单单‘apple’，‘people’，即为无指定，则会以list的形式放在args变量里面 **kwargs：如果是有指定key的参数，比如item=‘apple’这种形式，即为有指定，则会以dict的形式放在kwargs变量里面 参考：https://blog.csdn.net/Jiana_Feng/arti
对Pytorch中nn.ModuleList 和 nn.Sequential详解
09-18
在PyTorch中，`nn.ModuleList`和`nn.Sequential`是两种用于构建神经网络结构的重要工具。它们都是`nn.Module`的子类，但它们的功能和使用方式有所不同。 首先，`nn.Sequential`是一个序列化的模块集合，它允许你...
PyTorch之nn.Module、nn.Sequential、nn.ModuleList使用详解
酒酿小圆子呀～
06-30 4878
nn.functional 中的函数没有可学习的参数，与nn.Module 中的层不同。其实这两种方法都是使用relu激活，只是使用的场景不一样，F.relu()是函数调用，一般使用在foreward函数里。在上述示例中，我们首先导入nn.functional 模块，然后在网络的forward 方法中使用F.relu 函数作为激活函数。的主要优势是它的计算效率和灵活性，因为它允许你以函数的方式直接调用这些操作，而不需要创建额外的层。是PyTorch中一个重要的模块，它包含了许多用于构建神经网络的函数。
Pytorch学习 -----nn.Sequential(*layers)
weixin_51534401的博客
11-26 2702
pytorch,nn.Sequential(*)
nn.Sequential()方法详解
weixin_41917928的博客
06-15 4436
是PyTorch中的一个类，它允许用户将多个计算层按照顺序组合成一个模型。在深度学习中，模型可以是由各种不同类型的层组成的，例如卷积层、池化层、全连接层等。方法可以将这些层组合在一起，形成一个整体模型。
PyTorch基础模块nn.Sequential
weixin_45653897的博客
05-31 6417
nn.Sequential模块学习
Pytorch *号传参用法 -- nn.Sequential(*layers)
qq_27278957的博客
09-06 6961
*作用在形参上，代表这个位置接收任意多个非关键字参数，转化成元组方式；*作用在实参上，代表的是将输入迭代器拆成一个个元素。 nn.Sequential 一个有序的容器，神经网络模块将按照在传入构造器的顺序依次被添加到计算图中执行，同时以神经网络模块为元素的有序字典也可以作为传入参数。 举例（手动创建的VGGNet网络的 init 函数。 self.features 和 self.classifier）： def __init__(self, num_classes = 1000):
PyTorch 之 class torch.nn.Sequential(* args)
weixin_39386156的博客
06-24 731
nn.Sequential()对象是类似keras的前馈模型的对象，可以为之添加层实现前馈神经网络。可将其看作是一个时序容器。Modules 会以他们传入的顺序被添加到容器中。当然，也可以传入一个OrderedDict。 模型建立有三种方法： ① nn.Sequential()：对象.add_module(层名，层class的实例） net1 = nn.Sequential() net1....
python中的*和**参数
我爱写报告的博客
04-07 5215
单星号参数 函数中的单星号参数代表此处接受任意多个非关键字参数，这些参数将以数组形式保存，例如： def foo(a, *b): print b foo(1, 2, 3, 4, 5) 执行结果为： (2, 3, 4, 5) 多星号参数 函数中的多星号参数代表此处接受任意多个关键字参数，这些参数以字典形式保存，例如： def foo(a, **b): print ...
pytorch中nn.Sequential详解
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
12-19 1万+
nn.Sequential是一个序列容器，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容器中。除此之外，一个包含神经网络模块的OrderedDict也可以被传入nn.Sequential()容器中。利用nn.Sequential()搭建好模型架构，模型前向传播时调用forward()方法，模型接收的输入首先被传入nn.Sequential()包含的第一个网络模块中。然后，第一个网络模块的输出传入第二个网络模块作为输入，按照顺序依次计算并传播，直到nn.Sequential()里的最后一个模块输出结果
【python】*号用法总结 如nn.Sequential(*layers) ，ResNet(Bottleneck, [3, 4, 6, 3], **kwargs)
lu_fresh_student的博客
10-03 863
【python】*号用法总结 如nn.Sequential(*layers) ，ResNet(Bottleneck, [3, 4, 6, 3], **kwargs)
Pytorch —— nn.Module类(nn.sequential)
hxxjxw的博客
05-20 7812
nn.Module nn.Module类是所有网络结构层次的父类。 当你要实现一个自己的层的时候，必须要继承这个类。 而当我们使用一些现有的层，比如说线性层、卷积层的时候，它其实也是继承自nn.Module，只不过这个类因为使用的非常广泛 ，所以pytorch官方已经写好了 当我们自己实现类的话，必须继承自nn.Module，并且在init中完成初始化的步骤和forward中完成计算图的前向构建的过程 1、every layer is nn.Module 这些都是继承自nn.Mod..
nn.Sequential
最新发布
04-09
### nn.Sequential 的定义与用法 `nn.Sequential` 是 PyTorch 中的一个容器类，用于按顺序堆叠多个神经网络层或操作。它简化了模型的构建过程，使得开发者能够以更直观的方式组合不同的 `nn.Module` 子模块[^3]。 #### 定义方式 可以通过两种主要方法来定义 `nn.Sequential`： 1. **传递一系列子模块作为参数** 可以直接将多个子模块传入 `nn.Sequential` 构造函数中。 2. **通过字典形式指定名称和对应的子模块** 使用有序字典 (`OrderedDict`) 来命名每一层的操作，这种方式更适合调试和可视化。 #### 示例代码 以下是使用 `nn.Sequential` 的两个典型例子： ```python import torch.nn as nn import torch.nn.functional as F # 方法一：简单地传递子模块 model = nn.Sequential( nn.Conv2d(1, 20, kernel_size=5), nn.ReLU(), nn.MaxPool2d(kernel_size=2), nn.Conv2d(20, 40, kernel_size=5), nn.ReLU(), nn.MaxPool2d(kernel_size=2) ) # 方法二：使用 OrderedDict 命名每一步 from collections import OrderedDict sequential_model = nn.Sequential(OrderedDict([ ('conv1', nn.Conv2d(1, 20, 5)), ('relu1', nn.ReLU()), ('pool1', nn.MaxPool2d(2)), ('conv2', nn.Conv2d(20, 40, 5)), ('relu2', nn.ReLU()), ('pool2', nn.MaxPool2d(2)) ])) ``` 上述两段代码的功能完全相同，区别仅在于后者提供了更为清晰的层次结构描述[^3]。 #### 特性和注意事项 - **自动调用前向传播** 当实例化了一个 `nn.Sequential` 对象后，在其内部会自动生成一个默认的 `forward()` 函数，该函数按照添加子模块的顺序依次执行每一个操作[^4]。 - **灵活性不足** 如果某些层之间存在复杂的逻辑关系或者条件分支，则不适合单纯依赖于 `nn.Sequential`，此时应考虑手动实现 `forward()` 方法[^3]。 - **支持动态修改架构** 能够随时增删其中包含的组件，这为实验不同配置下的性能表现带来了便利。 --- ### 结合实际案例分析 假设我们需要设计一个多任务学习框架并利用流行库完成特征提取、微调等工作时，可以借助 `nn.Sequential` 组织基础部分[^1]。例如下面展示如何基于预训练权重快速搭建分类器： ```python class MultiTaskModel(nn.Module): def __init__(self, num_classes): super(MultiTaskModel, self).__init__() # 共享主干网路 backbone_layers = [ nn.Linear(in_features=784, out_features=256), nn.BatchNorm1d(num_features=256), nn.ReLU() ] self.shared_backbone = nn.Sequential(*backbone_layers) # 不同的任务头 task_heads = [] for i in range(len(num_classes)): head = nn.Sequential( nn.Dropout(p=0.5), nn.Linear(in_features=256, out_features=num_classes[i]) ) setattr(self, f'task_head_{i}', head) # 动态绑定成员变量 task_heads.append(head) def forward(self, x): features = self.shared_backbone(x.view(-1, 784)) # 展平输入 outputs = {} for idx, head in enumerate(task_heads): outputs[f'class_{idx}'] = getattr(self, f'task_head_{idx}')(features) return outputs ``` 此范例展示了多任务场景下共享表示以及独立预测路径的设计思路[^1]。 ---
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值