Sequential序化模型小记

在PyTorch中，nn.Sequential是一个有序的容器，序化模型，它包含一系列模块（即层）。数据（输入）在nn.Sequential中按照模块在构造函数中传入的顺序进行传递。这种简单的线性堆叠使得模型的定义变得非常简洁。

下面是一个使用nn.Sequential定义简单神经网络的示例：

import torch
import torch.nn as nn

# 定义一个简单的Sequential模型
model = nn.Sequential(
    nn.Linear(in_features=13, out_features=6, bias=True),
    nn.ReLU(),          # 激活函数
    nn.Linear(in_features=6, out_features=1, bias=True), 
)

# 创建一个随机输入张量
input_tensor = torch.randn(1, 13)
print("input_tensor:",input_tensor)
  
# 将输入张量传递给模型以获取输出  
output_tensor = model(input_tensor)  
  
print("output_tensor:",output_tensor)

在上面的示例中，nn.Sequential包含了两个线性层（nn.Linear）和一个ReLU激活函数。当我们将输入张量传递给模型时，数据首先通过第一个线性层，然后经过ReLU激活函数，最后通过第二个线性层。

nn.Sequential通常用于定义简单的、层与层之间直接相连的模型。然而，对于更复杂的模型（如包含分支或循环的模型），您可能需要使用nn.Module来定义自己的模型类。