nn.Sequential() 是 PyTorch 深度学习框架中的一个类，用于按顺序容器化模块。nn.Sequential 是一个有序的容器，它包含多个网络层，数据会按照在构造函数中传入顺序依次通过每个层。在 nn.Sequential 中，不需要定义 forward 方法，因为当你调用它时，会按照顺序调用每个子模块。
import torch
import torch.nn as nn # 创建一个简单的神经网络
model = nn.Sequential( nn.Linear(784, 128), # 输入层到隐藏层，784个输入节点，128个输出节点 nn.ReLU(), # 激活函数 nn.Linear(128, 10) # 隐藏层到输出层，128个输入节点，10个输出节点
) # 创建一个随机的输入张量
input_tensor = torch.randn(1, 784) # 将输入张量传递给模型
output_tensor = model(input_tensor) print(output_tensor.size()) # 输出应为 torch.Size([1, 10])
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.losses import SparseCategoricalCrossentropy
from tensorflow.keras.optimizers import Adam # 加载MNIST数据集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data() # 归一化像素值到0-1之间
train_images = train_images / 255.0
test_images = test_images / 255.0 # 将图像的形状展平，以便可以输入到神经网络中
train_images = train_images[..., tf.newaxis]
test_images = test_images[..., tf.newaxis] # 创建Sequential模型
model = Sequential([ Flatten(input_shape=(28, 28, 1)), # 将28x28像素的图像展平为一维张量 Dense(128, activation='relu'), # 全连接层，128个神经元，使用ReLU激活函数 Dense(10) # 输出层，10个神经元（对应10个数字类别）
]) # 编译模型
model.compile(optimizer=Adam(), loss=SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) # 训练模型
model.fit(train_images, train_labels, epochs=5) # 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print('\nTest accuracy:', test_acc)
self.conv 通常指的是类的一个属性，这个属性通常是一个卷积层（Convolutional Layer）
import torch
import torch.nn as nn
import torch.nn.functional as F class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 定义一个卷积层，输入通道数为3（例如RGB图像），输出通道数为16，卷积核大小为3x3 self.conv = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1) # 可以添加其他层... def forward(self, x): # 在前向传播中使用卷积层 x = self.conv(x) # 可以添加其他操作，例如激活函数、池化等... x = F.relu(x) # 返回处理后的输出 return x # 创建模型实例
model = SimpleCNN() # 假设我们有一个输入张量 input_tensor，其形状为 [batch_size, 3, height, width]
# 我们可以将其传递给模型进行前向传播
output_tensor = model(input_tensor)
)
