在 PyTorch 中，构建神经网络模型有两种主要方式：nn.Sequential 和 nn.Module，它们各有优缺点，适用于不同的场景。
nn.Sequential 是一种简洁而直观的构建模型的方式，适用于顺序执行的一系列层，不需要复杂的网络结构。它的优点是简单直观，适合快速原型设计和简单模型，同时减少了代码量。然而，它的灵活性较差，无法实现复杂的前向传播逻辑或非顺序的层次关系，也不能插入自定义的操作或逻辑。
nn.Module 是一种更灵活和可扩展的构建模型的方式，适用于需要自定义前向传播逻辑或复杂结构的模型。它的优点是高度灵活，可以实现任何复杂的前向传播逻辑，并支持在前向传播中添加任意操作或层。然而，使用 nn.Module 需要定义一个新的类，增加了代码量和复杂度，对于简单模型来说有些冗余。
所以，选择 nn.Sequential 还是 nn.Module 主要取决于模型的复杂度和使用场景。如果模型结构简单且所有层是顺序连接的，可以使用 nn.Sequential 以简化代码。如果模型需要复杂的前向传播逻辑或非顺序的层次结构，应该选择 nn.Module 以充分利用其灵活性。
举个例子，如果我们要构建一个简单的卷积神经网络模型，可以使用 nn.Sequential：
import torch.nn as nn
model = nn.Sequential(
nn.Conv2d(1, 20, 5),
nn.ReLU(),
nn.Conv2d(20, 64, 5),
nn.ReLU()
)
print(model)
输出结果为：
Sequential(
(0): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1))
(1): ReLU()
(2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
(3): ReLU()
)
而如果我们需要构建一个复杂的模型，比如一个卷积神经网络后接全连接层的模型，可以使用 nn.Module：
import torch.nn as nn
class ComplexModel(nn.Module):
def __init__(self):
super(ComplexModel, self).__init__()
self.conv1 = nn.Conv2d(1, 20, 5)
self.conv2 = nn.Conv2d(20, 64, 5)
self.relu = nn.ReLU()
self.fc1 = nn.Linear(1024, 500) # 假设经过卷积和池化后的输出尺寸为1024
self.fc2 = nn.Linear(500, 10)
def forward(self, x):
x = self.relu(self.conv1(x))
x = self.relu(self.conv2(x))
x = x.view(x.size(0), -1) # 展平
x = self.relu(self.fc1(x))
x = self.fc2(x)
return x
model = ComplexModel()
print(model)
输出结果为：
ComplexModel(
(conv1): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1))
(conv2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
(relu): ReLU()
(fc1): Linear(in_features=1024, out_features=500, bias=True)
(fc2): Linear(in_features=500, out_features=10, bias=True)
)
在这个例子中，ComplexModel 使用 nn.Module 定义了复杂的前向传播逻辑和自定义操作，比如展平操作 x.view(x.size(0), -1)。
综上所述，根据模型的复杂度和需要自定义的程度，我们可以选择使用 nn.Sequential 或 nn.Module 来构建神经网络模型。
