1.Sequential的概念

??它是一種按順序封裝神經網絡層的容器，能讓層按照添加順序依次執行計算，簡化網絡搭建流程

2.Sequential的作用

1.代碼簡潔化

??對比不用 Sequential 時手動搭建層的繁瑣代碼（如每層需手動定義并連接），展示使用 Sequential 后代碼的簡潔性，減少冗余的變量定義和連接操作

2.結構清晰化

??闡述 Sequential 能直觀呈現網絡的層序結構，讓開發者和讀者快速理清網絡從輸入到輸出的流程，便于調試和維護

3.框架適配性

??說明 Sequential 與主流深度學習框架的高度兼容，無需額外處理層間的連接邏輯，框架會自動完成張量在層間的傳遞

3.Sequential的核心特征

1.層的順序性

??強調 Sequential 中各層必須按執行順序添加，前一層的輸出維度需與后一層的輸入維度匹配，否則會出現維度不兼容錯誤

2.支持的層的類型

??支持絕大多數按順序執行的網絡層

3.與非Sequential搭建方式的區別

? 與非Sequential相比更靈活、直觀

4.Sequential模塊及簡單神經網絡搭建

1.Sequential模塊

2.要搭建的神經網絡示意圖

?

3.Sequential代碼

import torch
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.tensorboard import SummaryWriterclass Module(nn.Module):def __init__(self):super(Module, self).__init__()self.model = Sequential(Conv2d(3, 32, 5, padding=2),MaxPool2d(2),Conv2d(32, 32, 5, padding=2),MaxPool2d(2),Conv2d(32, 64, 5, padding=2),MaxPool2d(2),Flatten(),Linear(1024, 64),Linear(64, 10))def forward(self,x):x = self.model(x)return xmodule = Module()
print(module)
input = torch.ones((64, 3, 32, 32))
output = module(input)
print(output.shape)writer = SummaryWriter('../logs')
writer.add_graph(module, input)
writer.close()

?4.結果