tf.keras.Sequential

　　序列化建模，一般步骤为：

　　1、实例化一个Sequential类，该类是继承于Model类；

　　2、添加所需要的神经网络层；

　　3、用compile进行编译模型；

　　4、用fitx训练模型；

　　5、用predict预测。

　　Sequential类的属性：

　　　　layers: (功能待查)

　　　　run_eagerly: 可设置属性，指示模型是否应该急切运行

　　　　sample_weights： 设置样本权重

　　　　state_updates： 更新所有有状态的图层并返回。这对于分离训练更新和状态更新很有用，例如，当我们需要在预测期间更新图层的内部状态时。

　　　　stateful：(功能待查)

　　Sequential类的方法：

　　　　add(): 添加图层，参数layer：图层实例, 对比类属性layers我们应该知道属性在实例化的时候是可以直接传入一个网络结构；

　　　　compile()：编译模型

compile(
    optimizer,
    loss=None,
    metrics=None,
    loss_weights=None,
    sample_weight_mode=None,
    weighted_metrics=None,
    target_tensors=None,
    distribute=None,
    **kwargs
)

　　　　evaluate(): 返回测试模式下模型的损失值

evaluate(
    x=None,
    y=None,
    batch_size=None,
    verbose=1,
    sample_weight=None,
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False
)

　　这里大多数方法都是继承Model类，所以其方法和调用是一样的，这里不再重复，Model类的文档分析链接请点击，下面是不同的方法展示：

　　　　pop()：删除模型的最后一层；

　　　　predict_classes()：为输入样本生成类预测；

　　1     predict_classes(
　　2         x,
　　3         batch_size=32,
　　4         verbose=0
　　5     )

　　　　predict_proba()：生成输入样本的类概率预测。

　　1 　　predict_proba(
　　2  　　   x,
　　3  　　   batch_size=32,
　　4  　　   verbose=0
　　5　　 )

 

清澈的爱，只为中国