对于cnn前馈神经网络如果前馈一次写一个forward函数会有些麻烦，在此就有两种简化方式，ModuleList和Sequential。其中Sequential是一个特殊的module，它包含几个子Module，前向传播时会将输入一层接一层的传递下去。ModuleList也是一个特殊的module，可以包含几个子module，可以像用list一样使用它，但不能直接把输入传给ModuleList。下面举例说明。

一、nn.Sequential()对象
建立nn.Sequential()对象，必须小心确保一个块的输出大小与下一个块的输入大小匹配。基本上，它的行为就像一个nn.Module。

1、模型建立方式

第一种写法：
nn.Sequential()对象.add_module(层名，层class的实例）
net1 = nn.Sequential()
net1.add_module('conv', nn.Conv2d(3, 3, 3))
net1.add_module('batchnorm', nn.BatchNorm2d(3))
net1.add_module('activation_layer', nn.ReLU())
第二种写法：
nn.Sequential(*多个层class的实例)
net2 = nn.Sequential(
nn.Conv2d(3, 3, 3),
nn.BatchNorm2d(3),
nn.ReLU()
)
第三种写法：
from collections import OrderedDict
net3= nn.Sequential(OrderedDict([
('conv', nn.Conv2d(3, 3, 3)),
('batchnorm', nn.BatchNorm2d(3)),
('activation_layer', nn.ReLU())
]))
2、检查以及调用模型
查看模型,print对象即可
print('net1:', net1)
根据名字或序号提取子Module对象
# 可根据名字或序号取出子module
net1.conv, net2[0], net3.conv
调用模型
可以直接网络对象(输入数据)，也可以使用上面的Module子对象分别传入(input)。
input = V(t.rand(1, 3, 4, 4))
output = net1(input)
output = net3.activation_layer(net1.batchnorm(net1.conv(input)))
二、nn.ModuleList()对象
为什么有他？
写一个module然后就写foreword函数很麻烦，所以就有了这两个。它被设计用来存储任意数量的nn.module。
什么时候用？
如果在构造函数__init__中用到list、tuple、dict等对象时，一定要思考是否应该用ModuleList或ParameterList代替。
如果你想设计一个神经网络的层数作为输入传递。
和list的区别？
ModuleList是Module的子类，当在Module中使用它的时候，就能自动识别为子module。
当添加 nn.ModuleList 作为 nn.Module 对象的一个成员时（即当我们添加模块到我们的网络时），所有 nn.ModuleList 内部的 nn.Module 的 parameter 也被添加作为 我们的网络的 parameter。

1. extend和append方法
   nn.moduleList定义对象后，有extend和append方法，用法和python中一样，extend是添加另一个modulelist append是添加另一个module
   class LinearNet(nn.Module):
   def init(self, input_size, num_layers, layers_size, output_size):
   super(LinearNet, self).init()
   self.linears = nn.ModuleList([nn.Linear(input_size, layers_size)])
   self.linears.extend([nn.Linear(layers_size, layers_size) for i in range(1, self.num_layers-1)])
   self.linears.append(nn.Linear(layers_size, output_size)
2. 建立以及使用方法
   modellist = nn.ModuleList([nn.Linear(3,4), nn.ReLU(), nn.Linear(4,2)])
   input = V(t.randn(1, 3))
   for model in modellist:
   input = model(input)

   output = modelist(input) # 下面会报错,因为modellist没有实现forward方法

和普通list不一样，它和torch的其他机制结合紧密，继承了nn.Module的网络模型class可以使用nn.ModuleList并识别其中的parameters，当然这只是个list，不会自动实现forward方法，
class MyModule(nn.Module):
def init(self):
super(MyModule, self).init()
self.list = [nn.Linear(3, 4), nn.ReLU()]
self.module_list = nn.ModuleList([nn.Conv2d(3, 3, 3), nn.ReLU()])
def forward(self):
pass
model = MyModule()
print(model)
MyModule(
(module_list): ModuleList(
(0): Conv2d (3, 3, kernel_size=(3, 3), stride=(1, 1))
(1): ReLU()
)
)

for name, param in model.named_parameters():
  print(name, param.size())

 # ('module_list.0.weight', torch.Size([3, 3, 3, 3]))
 # ('module_list.0.bias', torch.Size([3]))
可见，普通list中的子module并不能被主module所识别，而ModuleList中的子module能够被主module所识别。这意味着如果用list保存子module，将无法调整其参数，因其未加入到主module的参数中。
除ModuleList之外还有ParameterList，其是一个可以包含多个parameter的类list对象。在实际应用中，使用方式与ModuleList类似。

原文链接：https://blog.csdn.net/e01528/article/details/84397174