pytorch中Sequential()的三种构造方法

对于图像分类任务中，一般神经网络的框架都是卷积、激活、池化，然后不断堆叠，最终嘉善输出层，并不会有较为复杂的连接结构，都是每一层的输出为下一层的输入。

对于简单的前馈神经网络，为了在forward中避免重复的运算操作，可以使用pytorch中内置的Sequential()这个特殊的module，我们可以将重复操作放在Sequential()中，然后模型就会自动识别内部的子module，然后就会按照顺序一层一层进行传播。

方法一

首先创建一个Sequential，然后不断添加模型子层，传入的第一个参数为该层的名称，第二个是该层的实例。

model1 = nn.Sequential()
model1.add_module('conv', nn.Conv2d(1, 5, 2))
model1.add_module('fc', nn.Linear(10, 2))
model1.add_module('sigmoid', nn.Sigmoid())

方法二

对于上面方法进行简化，可以直接将所有实例化的子类按顺序传入，但是这种方法有个缺点，就是不能对每个层进行命名，默认每个层的名称是0，1，2。

model2 = nn.Sequential(nn.Conv2d(1, 5, 2),
                      nn.Linear(10, 2),
                      nn.Sigmoid())

方法三

对于方法三是首先创建一个字典，然后将这个字典传入，这个字典和方法一一致都是层的名称和该层的实例化的键值对。

from collections import OrderedDict

model3 = nn.Sequential(OrderedDict([
    ('conv', nn.Conv2d(1, 5, 2)),
    ('fc', nn.Linear(10, 2)),
    ('sigmoid', nn.Sigmoid())
]))

输出模型结构

我们可以打印模型，查看模型的每层参数

print(model1)
print(model2)
print(model3)

Sequential(
  (conv): Conv2d(1, 5, kernel_size=(2, 2), stride=(1, 1))
  (fc): Linear(in_features=10, out_features=2, bias=True)
  (sigmoid): Sigmoid()
)
Sequential(
  (0): Conv2d(1, 5, kernel_size=(2, 2), stride=(1, 1))
  (1): Linear(in_features=10, out_features=2, bias=True)
  (2): Sigmoid()
)
Sequential(
  (conv): Conv2d(1, 5, kernel_size=(2, 2), stride=(1, 1))
  (fc): Linear(in_features=10, out_features=2, bias=True)
  (sigmoid): Sigmoid()
)

查看指定层

可以查看Sequential中的具体的某一个子模块，对于方法一和方法三都是需要传入层的名称，所以我们可以直接使用名称获得该层，而对于方法二没有名字，所以只可以通过索引获取。

print(model1.conv)
print(model2[0])
print(model3.conv)

Conv2d(1, 5, kernel_size=(2, 2), stride=(1, 1))
Conv2d(1, 5, kernel_size=(2, 2), stride=(1, 1))
Conv2d(1, 5, kernel_size=(2, 2), stride=(1, 1))