为何不总是优先使用torch.nn.Sequential？torchvision.Compose存在价值？

开发者阿泽

2026-7-19

关于torchvision中Sequential与Compose的疑问

在torchvision.transforms文档中，torch.nn.Sequential与Compose被同时提及，二者似乎有着相同的用途：组合torchvision变换。

若要对变换进行脚本化处理，请使用torch.nn.Sequential而非Compose。

是否存在不应始终优先选择Sequential而非Compose的理由？
我对Compose的存在缺乏合理依据感到疑惑，想必遗漏了某些重要细节。

`Compose`无法被`Sequential`完全替代的原因

历史兼容性：Compose是torchvision最早推出的变换组合工具，大量旧项目、教程和开源代码都基于它编写。直接替换为Sequential会带来不必要的迁移成本，尤其是维护遗留代码时，保留Compose能保证代码兼容性。
多输入类型支持：Compose专门适配了数据预处理场景的多样输入，比如PIL图像、numpy数组等非张量类型都能正常处理。而Sequential本质是神经网络层容器，更偏向处理张量输入，部分非张量变换在Sequential中可能无法正常运行。
非模块类变换的兼容：Compose允许组合普通函数、不继承nn.Module的自定义变换；但Sequential只能接受nn.Module子类的实例，对于一些轻量的自定义变换，用Compose会更灵活，不需要额外封装成模块。
语义清晰性：Compose的命名直接指向“数据预处理变换组合”的用途，在预处理流程中使用它，代码的语义更明确，可读性更高；而Sequential更多用于构建神经网络的层序列，混用的话会让代码意图变得模糊。