序列模型（Sequential Model）是 TensorFlow Keras 中最常用的模型构建方式。它允许你以线性堆叠的方式构建模型，非常适合新手入门。
模型结构
序列模型由一系列层组成，这些层按照输入到输出的顺序排列。以下是一个简单的序列模型示例：
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
model = Sequential()
model.add(Dense(64, activation='relu', input_shape=(32,)))
model.add(Dense(10, activation='softmax'))
在上面的例子中，我们创建了一个包含两个层的序列模型。第一个层是一个全连接层（Dense），它有64个神经元和ReLU激活函数。第二个层是一个输出层，它有10个神经元和softmax激活函数。
添加层
你可以通过调用 add() 方法向序列模型中添加层。以下是一些常用的层：
- Dense：全连接层，可以用于分类、回归等任务。
- Conv1D：一维卷积层，常用于处理序列数据。
- LSTM：长短期记忆网络，适合处理时间序列数据。
编译模型
在训练模型之前，你需要编译它。以下是一些编译模型时需要设置的参数：
- 优化器：例如
adam、sgd等。 - 损失函数：例如
categorical_crossentropy、mean_squared_error等。 - 评估指标：例如
accuracy、mse等。
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
训练模型
使用 fit() 方法训练模型。你需要提供训练数据、验证数据以及训练的轮数。
model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_val, y_val))
在上面的例子中，我们使用 x_train 和 y_train 作为训练数据，x_val 和 y_val 作为验证数据。epochs 参数表示训练的轮数，batch_size 参数表示每个批次的大小。
模型评估
使用 evaluate() 方法评估模型。它会返回损失值和评估指标。
loss, accuracy = model.evaluate(x_test, y_test)
print(f'测试集准确率: {accuracy:.4f}')
在上面的例子中，我们使用 x_test 和 y_test 作为测试数据。
总结
序列模型是 TensorFlow Keras 中最常用的模型构建方式。通过线性堆叠层，你可以构建复杂的模型。希望这份指南能帮助你更好地理解和使用序列模型。