深度學習庫Keras中的Sequential是多個網路層的線性堆疊，在實現AlexNet與VGG等網路方面比較容易，因為它們沒有ResNet那樣的shortcut連線。在Keras中要實現ResNet網路則需要Model模型。

下面是Keras的Sequential具體示例：

可以通過向Sequential模型傳遞一個layer的list來構造該模型：

from keras.models import Sequential
from keras.layers import Dense,Activation
 
model = Sequential([
Dense(32,input_dim=784),Activation('relu'),Dense(10),Activation('softmax'),])

也可以通過.add()方法一個個的將layer加入模型中：

model = Sequential()
model.add(Dense(32,input_dim=784))
model.add(Activation('relu'))

Keras可以通過泛型模型（Model）實現複雜的網路，如ResNet，Inception等，具體示例如下：

from keras.layers import Input,Dense
from keras.models import Model
 
# this returns a tensor
inputs = Input(shape=(784,))
 
# a layer instance is callable on a tensor,and returns a tensor
x = Dense(64,activation='relu')(inputs)
x = Dense(64,activation='relu')(x)
predictions = Dense(10,activation='softmax')(x)
 
# this creates a model that includes
# the Input layer and three Dense layers
model = Model(input=inputs,output=predictions)
 
model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])
 
model.fit(data,labels) # starts training

在目前的PyTorch版本中，可以僅通過Sequential實現線性模型和複雜的網路模型。PyTorch中的Sequential具體示例如下：

model = torch.nn.Sequential(
 torch.nn.Linear(D_in,H),torch.nn.ReLU(),torch.nn.Linear(H,D_out),)

也可以通過.add_module()方法一個個的將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建立網路的方法與Keras類似，PyTorch借鑑了Keras的一些優點。

以上這篇淺談Keras的Sequential與PyTorch的Sequential的區別就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。