Keras 序贯（sequential）模型简介

序贯模型是多个网络层的线性堆叠，也就是“一条路走到黑”。
可以通过向Sequential模型传递一个layer的list来构造该模型：

from keras .models import Sequential
from keras.layers import Dense,Activation
model = Sequential([Dense(32,units = 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_shape=(784,)))
model.add(Activation('relu'))

指定输入数据的shape：
模型需要知道输入数据的shape，因此，Sequential的第一层需要接受一个关于输入数据shape的参数，后面的各个层则可以自动的推导出中间数据的shape，因此不需要为每个层都指定这个参数，有几种方法为第一层指定输入数据的shape：

• 传递一个input_shape的关键字给第一层，inout_shape是一个tuple类型的数据，其中也可以填入None，如果填入None则表示此位置可能是任何正整数，数据的batch大小不应该包含其中。
• 有些2D层。如Dense，支持通过指定其输入维度input_dim来隐含的指定输入数据shape。一些3D层的时域层支持通过参数input_dim和input_length来指定输入shape。

• 如果你想要为输入指定一个固定大小的batch_size，可以传递batch_size参数到一个层中，例如输入张量的batch大小是32，数据shape是（6，8），则需要传递batch_size=32和input_shape=(6,8)。
  编译
  在训练模型之前，我们需要通过compile来对学习过程进行参数配置。compile接受三个参数：

• 优化器optimizer：该参数可指定为已预定义的优化器名，如rmsprop、adagrad、或一个optimizer类的对象。

• 损失函数loss： 该参数为模型试图最小化的目标函数，它可预定义的损失函数名，如categorical_crossentropy、mse、也可以为一个损失函数。
• 指标列表metrics： 对分类问题，我们一般将该列表设置为metrics=[‘accuracy’]。指标可以是一个预定义指标的名字，也可以是一个用户定制的函数，指标函数应该返回单个张量，或完成metric_name->metric_value映射的字典。