(七)人工智能应用--深度学习原理与实战--使用Keras搭建序贯式模型

Tensorflow2推荐使用Keras来搭建神经网络，作为一款优秀的高层API，Keras目前已经被集成到TensorfLow体系中，借助Keras我们可以模块化、高效地构建神经网络。

Keras构建神经网络的基本组件是“层”(Layer)，我们可以根据需求,将不同的层结合在一起形成一个神经网络，并且可以很方便地编译、训练和预测。

本章节通过案例理解和掌握Keras API的基本使用过程。
学习的内容如下:

1)理解Keras中的层(Layers)
2)理解序贯模型和函数式模型
3)理解全连接层(也叫密实层、Dense层)的特点和用途
4)使用Keras搭建堆叠式(序贯式)神经网络模型
5)理解和掌握全连接层参数个数的计算方法

理解Keras中“层”(Layers)的概念。Keras使用“层”作为神经网络的基本组件,提供了不同用途的多种类型的层(Layers)。
全连接层(Dense层、也叫密实层)是我们接触到的第一种层,需要理解它的特点和用途，并掌握全连接层参数数量的计算方法。

理解序贯模型和函数式模型的特点和区别。

理解和掌握使用Keras API构建序贯式神经网络、并添加网络层(本任务只采用全连接层)的方法。

一、理解Keras中的层(Layers)

前面我们已经知道，神经网络是由多个层组成的数学框架。在TensorfLow的Keras API，每个层被抽象成一个组件，神经网络的搭建