nn.Sequential()

一个有序的容器，神经网络模块将按照传入构造器的顺序依次被添加到计算图中执行，同时以神经网络模块为元素的有序字典也可以作为传入参数。例如：

# Example of using Sequential
        model = nn.Sequential(
                  nn.Conv2d(1,20,5),
                  nn.ReLU(),
                  nn.Conv2d(20,64,5),
                  nn.ReLU()
                )

        # Example of using Sequential with OrderedDict
        model = nn.Sequential(OrderedDict([
                  ('conv1', nn.Conv2d(1,20,5)),
                  ('relu1', nn.ReLU()),
                  ('conv2', nn.Conv2d(20,64,5)),
                  ('relu2', nn.ReLU())
                ]))

来看下其源码实现

 def __init__(self, *args):
        super(Sequential, self).__init__()
        if len(args) == 1 and isinstance(args[0], OrderedDict):
            for key, module in args[0].items():
                self.add_module(key, module)
        else:
            for idx, module in enumerate(args):
                self.add_module(str(idx), module)

先看一下初始化函数_init_,在初始化函数中，首先是if条件判断，如果传入的参数为1个，并且类型为OrderdDict,通过字典索引的方式将子模块添加到self._module中，否则，通过for循环遍历参数，将所有的子模块添加到self._module中，注意，Sequential模块的初始函数没有异常处理，所以在写的时候要注意。

接下来，再看一下forward函数的实现：

因为每一个module都继承于nn.Module,都会实现forward函数，所以forward函数中，通过forward函数中通过for循环依次调用添加到self._module中的子模块，最后输出经过所有神经网络层的结果。

    def forward(self, input):
        for module in self._modules.values():
            input = module(input)
        return input