顺序式API

Keras提供了简洁易懂的方式来定义神经网络 (neural network)的结构。对于许多标准的深度学习 (deep learning)任务，网络由直接的序列层组成，其中一个层的输出直接作为下一个层的输入。对于这类常见情形，Keras提供了Sequential API，一种简单而优雅地逐层构建模型的方法。

可以将Sequential模型想象成线性堆叠的煎饼。您将层逐一堆叠起来，数据按照它们被添加的顺序流经各层。由于其简洁性，它是Keras中开始构建模型最常用的方法。

创建顺序模型

创建Sequential模型主要有两种方式：

1. 向构造函数传递层列表： 当您预先知道整个架构时，这通常是最简洁的方法。
2. 使用.add()方法： 这使您能够逐步添加层，在编程构建模型或进行试验时非常有用。

我们来看看这两种方法的实际应用。首先，请确保导入必要的组件：

# 导入Sequential模型类型
from keras.models import Sequential

# 导入Dense层类型（全连接）
from keras.layers import Dense

方法一：层列表

您可以直接将层实例列表传递给Sequential构造函数来定义您的模型：

# 定义一个包含两个Dense层的模型
model = Sequential([
    Dense(units=64, activation='relu', input_shape=(784,)), # 第一层需要input_shape
    Dense(units=10, activation='softmax')                  # 输出层
])

# 打印模型层和参数的摘要
model.summary()

方法二：使用.add()

或者，您可以实例化一个空的Sequential模型，并使用.add()方法逐一添加层：

# 创建一个空的Sequential模型
model = Sequential()

# 添加第一层（指定输入形状）
model.add(Dense(units=64, activation='relu', input_shape=(784,)))

# 添加第二层（输出层）
model.add(Dense(units=10, activation='softmax'))

# 打印摘要
model.summary()

这两种方法都会得到完全相同的模型架构。选择哪种通常取决于个人偏好或编码风格。基于列表的方法更紧凑，而.add()方法对于复杂的序列或有条件添加层的情况可能更易读。

指定输入形状

请注意，两个示例中第一个 Dense层都有input_shape=(784,)参数 (parameter)。这很重要。Keras需要知道模型应预期输入的形状，以便为第一层创建必要的权重 (weight)。

• 为什么只在第一层？ 一旦定义了第一层并知道了其输入形状，Keras就能自动推断所有后续层的输入形状。层 $N$ 的输出形状会成为层 $N+1$ 的输入形状。
• (784,)是什么意思？ 这表示模型预期输入样本，其中每个样本是包含784个特征的向量 (vector)。这是展平的MNIST图像（28x28像素 = 784）的常见形状。如果您处理的是包含10个特征的表格数据，您可以使用input_shape=(10,)。对于未展平的图像数据，您可能会使用(高度, 宽度, 通道)等形状，例如(28, 28, 1)。

您只需为添加到Sequential模型中的第一个层指定输入形状。

数据线性流的可视化

Sequential模型强制执行简单、线性的数据流：

此图表说明了数据如何通过一个包含两个Dense层的简单Sequential模型进行线性流动。输入数据依次经过第1层和第2层，生成最终输出。

不使用顺序模型的情形

尽管Sequential API对许多任务都很有用，但它也有局限性。它严格设计用于每个层只有一个输入张量和一个输出张量，且这些层线性排列的模型。您不能使用Sequential API来构建以下模型：

• 有多个输入或多个输出的模型。
• 共享层（在图中多次使用同一个层实例）的模型。
• 有非线性连接，例如残差连接或分支的模型。

对于这些更复杂的架构，Keras提供了函数式API，我们将在后面的章节中介绍。

目前，Sequential API提供了一种简洁明了的方式，让您开始构建许多常见类型的神经网络 (neural network)，例如简单的前馈分类器和回归器。在接下来的章节中，我们将更仔细地查看这些示例中使用的Dense层和激活函数 (activation function)。