浅谈Keras的Sequential与PyTorch的Sequential的区别
深度学习库Keras中的Sequential是多个网络层的线性堆叠，在实现AlexNet与VGG等网络方面比较容易，因为它们没有ResNet那样的shortcut连接。在Keras中要实现ResNet网络则需要Model模型。
下面是Keras的Sequential具体示例：
可以通过向Sequential模型传递一个layer的list来构造该模型：
fromkeras.modelsimportSequential
fromkeras.layersimportDense,Activation
model=Sequential([
Dense(32,input_dim=784),
Activation('relu'),
Dense(10),
Activation('softmax'),
])
也可以通过.add()方法一个个的将layer加入模型中：
model=Sequential()
model.add(Dense(32,input_dim=784))
model.add(Activation('relu'))
Keras可以通过泛型模型（Model）实现复杂的网络，如ResNet，Inception等，具体示例如下：
fromkeras.layersimportInput,Dense fromkeras.modelsimportModel #thisreturnsatensor inputs=Input(shape=(784,)) #alayerinstanceiscallableonatensor,andreturnsatensor x=Dense(64,activation='relu')(inputs) x=Dense(64,activation='relu')(x) predictions=Dense(10,activation='softmax')(x) #thiscreatesamodelthatincludes #theInputlayerandthreeDenselayers model=Model(input=inputs,output=predictions) model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) model.fit(data,labels)#startstraining
在目前的PyTorch版本中，可以仅通过Sequential实现线性模型和复杂的网络模型。PyTorch中的Sequential具体示例如下：
model=torch.nn.Sequential( torch.nn.Linear(D_in,H), torch.nn.ReLU(), torch.nn.Linear(H,D_out), )
也可以通过.add_module()方法一个个的将layer加入模型中：
layer1=nn.Sequential()
layer1.add_module('conv1',nn.Conv2d(3,32,3,1,padding=1))
layer1.add_module('relu1',nn.ReLU(True))
layer1.add_module('pool1',nn.MaxPool2d(2,2))
由上可以看出，PyTorch创建网络的方法与Keras类似，PyTorch借鉴了Keras的一些优点。
以上这篇浅谈Keras的Sequential与PyTorch的Sequential的区别就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。