一、区别

１、children() → Iterator[torch.nn.modules.module.Module]，是nn.Module类的成员函数，返回当前children模块的迭代器，作用：只获取模型‘儿子’，不再往深处获取’孙子；
　　modules() → Iterator[torch.nn.modules.module.Module]，是nn.Module类的成员函数，返回所有模块的迭代器，作用：将整个模型的所有构成（包括包装层、单独的层、自定义层等）由浅入深依次遍历出来, 直到最深处的单层，只不过modules()返回的每一个元素是直接返回的层对象本身，而named_modules()返回的每一个元素是一个元组，第一个元素是名称，第二个元素才是层对象本身。主要作用是需要获取模型的每个层的对象时使用，比如模型初始化，模型加载参数等；
　　self.modules是nn.Module类的成员变量，字典类型，作用：用来保存组成网络的children模块。

二、联系

children()和modules()函数都是在self.modules成员变量上操作

def children(self) -> Iterator['Module']:
      for name, module in self.named_children():
           yield module

def named_children(self) -> Iterator[Tuple[str, 'Module']]:
      memo = set()
      #以下开始遍历self._modules
      for name, module in self._modules.items():
      　　　#如果self._modules中有重复的value，剔除
           if module is not None and module not in memo:
               memo.add(module)
               yield name, module

从上面的代码可以看到children()返回的是self._modules中非重复的layer或者多个layer组成的小模块

def modules(self) -> Iterator['Module']:
    for name, module in self.named_modules():
        yield module

def named_modules(self, memo: Optional[Set['Module']] = None, prefix: str = ''):
    if memo is None:
         memo = set()
    if self not in memo:
         memo.add(self)
         yield prefix, self
         for name, module in self._modules.items():
             if module is None:
                 continue
             submodule_prefix = prefix + ('.' if prefix else '') + name
             for m in module.named_modules(memo, submodule_prefix):
                    yield m

从上面的代码可以看出，modules将整个模型的所有结构（包括children模型，以及children模型中的子部件），从外到内，由浅入深一次遍历出来。

三、举例说明

l = torch.nn.Linear(2, 2)
net = torch.nn.Sequential(l, l)
print("nn.modules")
for idx, m in enumerate(net.modules()):
        print(idx, '->', m)
print("nn.children()")
for idx, m in enumerate(net.children()):
        print(idx, '->', m)

print("nn._modules")
print (net._modules)
for idx in net._modules.keys():
    print(idx, '->', net._modules[idx])


输出结果：
nn.modules()的结果是：
0 -> Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
)
1 -> Linear(in_features=2, out_features=2, bias=True)

nn.children()的结果是：
0 -> Linear(in_features=2, out_features=2, bias=True)

nn._modules的结果是：
OrderedDict([('0', Linear(in_features=2, out_features=2, bias=True)), ('1', Linear(in_features=2, out_features=2, bias=True))])
0 -> Linear(in_features=2, out_features=2, bias=True)
1 -> Linear(in_features=2, out_features=2, bias=True)