在 PyTorch 中，nn.Sequential 和 nn.ModuleList 都是用来容纳多个子模块的容器，但它们的用途和行为有所不同。以下是它们的用法和区别的详细解释，以及样例代码。

nn.Sequential

nn.Sequential 是一个顺序容器，模块将按它们在传递给 Sequential 的顺序依次执行。它适用于那些输入经过多个模块顺序处理的简单模型。

用法：

import torch.nn as nnmodel = nn.Sequential(nn.Conv2d(1, 20, 5),nn.ReLU(),nn.Conv2d(20, 64, 5),nn.ReLU()
)

nn.ModuleList

nn.ModuleList 是一个持有 nn.Module 的列表。与 nn.Sequential 不同的是，nn.ModuleList 并不会定义模块的前向传播顺序，您需要在 forward 方法中手动定义它们的顺序。这给了用户更大的灵活性，可以在前向传播时对模块进行不同的操作。

用法：

import torch.nn as nnclass MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()self.layers = nn.ModuleList([nn.Conv2d(1, 20, 5),nn.ReLU(),nn.Conv2d(20, 64, 5),nn.ReLU()])def forward(self, x):for layer in self.layers:x = layer(x)return xmodel = MyModel()

区别总结

nn.Sequential：模块按顺序执行，适用于顺序的简单模型。

nn.ModuleList：只是一个持有模块的列表，您需要手动定义前向传播的顺序，适用于需要更复杂控制的模型。

样例代码

以下是一个简单的例子，展示了如何使用这两个容器来构建模型：

import torch
import torch.nn as nn# 定义一个顺序执行的模型
model_seq = nn.Sequential(nn.Conv2d(1, 20, 5),nn.ReLU(),nn.Conv2d(20, 64, 5),nn.ReLU()
)# 创建一个示例输入
input_seq = torch.randn(1, 1, 28, 28)
# 前向传播
output_seq = model_seq(input_seq)
print(output_seq.shape)import torch
import torch.nn as nnclass MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()self.layers = nn.ModuleList([nn.Conv2d(1, 20, 5),nn.ReLU(),nn.Conv2d(20, 64, 5),nn.ReLU()])def forward(self, x):for layer in self.layers:x = layer(x)return x# 定义一个模型
model_list = MyModel()# 创建一个示例输入
input_list = torch.randn(1, 1, 28, 28)
# 前向传播
output_list = model_list(input_list)
print(output_list.shape)