nn.Sequential和nn.Module如何转换

在PyTorch中，我们可以使用nn.Sequential和nn.Module结合来构建复杂的神经网络模型。下面是一个示例：

首先，我们定义一个包含卷积层、池化层和全连接层的复杂神经网络模型。

import torch
import torch.nn as nn

class ComplexModel(nn.Module):
    def __init__(self):
        super(ComplexModel, self).__init__()
        self.conv_layers = nn.Sequential(
            nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2),
            nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2)
        )
        self.fc_layers = nn.Sequential(
            nn.Linear(32 * 8 * 8, 128),
            nn.ReLU(),
            nn.Linear(128, 10)
        )

    def forward(self, x):
        x = self.conv_layers(x)
        x = x.view(x.size(0), -1)
        x = self.fc_layers(x)
        return x

在这个例子中，我们使用了nn.Sequential来定义卷积层和池化层的组合，并且在nn.Module中添加了全连接层。

然后，我们创建了ComplexModel类的实例，并打印出模型的结构。

model = ComplexModel()
print(model)

运行代码后，我们可以看到模型的结构：

ComplexModel(
  (conv_layers): Sequential(
    (0): Conv2d(3, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU()
    (2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (3): Conv2d(16, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (4): ReLU()
    (5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (fc_layers): Sequential(
    (0): Linear(in_features=2048, out_features=128, bias=True)
    (1): ReLU()
    (2): Linear(in_features=128, out_features=10, bias=True)
  )
)

从打印的结果中，我们可以看到模型包含了两个子模块：conv_layers和fc_layers。conv_layers包含了一系列的卷积层和池化层，而fc_layers包含了全连接层。

这种结合使用nn.Sequential和nn.Module的方法，可以使我们更加灵活地构建复杂的神经网络模型。我们可以使用nn.Sequential来定义一些重复使用的结构，然后将其作为子模块添加到nn.Module中，从而提高代码的可读性和模块化程度。