PyTorch学习笔记4——神经网络快速搭建法（torch.nn.Sequential））

torch.nn.Sequential是一个Sequential容器，可以按照自己的需求，把不同的函数或组合成的模块添加到自己定义的网络中。

比如，搭建一个两层神经网络（输入特征数为2，隐藏层神经元数为10且使用ReLu激活函数，输出特征数为2）

有两种方法定义该网络：

1.定义网络类并继承torch.nn.Module模块，这样可以根据自己的需求改变传播过程，forward函数是自己定义的。

class Net(torch.nn.Module):  # Net需要基础Module模块

    # _init_函数包含定义层信息
    def __init__(self, n_feature, n_hidden, n_output):  # n_features,n_hidden,n_output分别是输入特征数、隐藏层神经元数和输出特征数
        super(Net, self).__init__()  # 需要继承Net（官方步骤）

        self.hidden = torch.nn.Linear(n_feature, n_hidden, )  # 一层隐藏层  Linear是全连接网络
        self.predict = torch.nn.Linear(n_hidden, n_output)  # 预测层

    # forward前向传播函数
    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x

net = Net(2,10,2)  # 2分类问题，输入输出特征数为2

2.通过torch.nn.Sequential容器按顺序将传入该构造器中，这样可以简化网络构造过程，实现快速搭建神经网络。

'''快速搭建网络'''
# 通过Sequential直接搭建神经网络，此网络与Net效果一样
net2 = torch.nn.Sequential(
    torch.nn.Linear(2,10),
    torch.nn.ReLU(),  # 为上一层添加激励函数，ReLu是一个类，当做层显示
    torch.nn.Linear(10,2)
)