Keras深度学习框架第二讲：Sequential模型

1、Sequential模型简介

Sequential模型是一种非常基础且常用的模型结构。它实际上是一种线性的、顺序的模型，由一系列层按照顺序堆叠而成。每个层的输入都来自上一层的输出，形成了一种线性的堆叠结构。

Sequential模型适用于简单的线性堆叠网络，如全连接神经网络。然而，通过堆叠不同种类的层，Sequential模型也可以构建出更复杂的神经网络，如卷积神经网络（CNN）和循环神经网络（RNN）等。

在Sequential模型中，每一层都拥有一个唯一的输入tensor和输出tensor。通过不同层的堆叠，可以构建出神经网络。这种模型结构易于理解和调试，是初学者学习神经网络和深度学习的一个很好的起点。

要创建一个Sequential模型，可以使用tf.keras.Sequential()函数。然后，可以使用add()方法向模型中添加层，或者使用其他方式来构建模型的结构。一旦模型的结构定义好，就可以使用compile()方法来配置模型的学习过程，包括指定优化器、损失函数和评估指标等。

2、使用Sequential模型

2.1 配置

import keras
from keras import layers
from keras import ops

2.2 Sequential模型的适用场合

当使用顺序堆叠的层，且每一层都恰好有一个输入tensor和一个输出tensor时，Sequential模型是合适的。

# Define Sequential model with 3 layers
model = keras.Sequential(
    [
        layers.Dense(2, activation="relu", name="layer1"),
        layers.Dense(3, activation="relu", name="layer2"),
        layers.Dense(4, name="layer3"),
    ]
)
# Call model on a test input
x = ops.ones((3, 3))
y = model(x)

或者等效表达为 

# Create 3 layers
layer1 = layers.Dense(2, activation="relu", name="layer1")
layer2 = layers.Dense(3, activation="relu", name="layer2")
layer3 = layers.Dense(4, name="layer3")

# Call layers on a test input
x = ops.ones((3, 3))
y = layer3(layer2(layer1(x)))

Sequential模型在以下情况下不适用：

1. 你的模型有多个输入或多个输出。Sequential模型只支持单一输入和单一输出。

2. 你的任何一层有多个输入或多个输出。在Sequential模型中，每一层都只能有一个输入tensor和一个输出tensor。

3. 你需要进行层共享。Sequential模型不支持层之间的复杂连接，比如将同一个层应用于模型的不同部分。

4. 你想要非线性的拓扑结构。例如，你希望在模型中实现残差连接（residual connections）或多分支模型（multi-branch models），这些结构无法在Sequential模型中直接实现。

3、如何使用Sequential模型

3.1 构建Sequential模型

你可以通过向Sequential构造函数传递一个层（layer）列表来创建一个Sequential模型。在Keras中，这通常是通过将多个层实例添加到列表中，然后将这个列表传递给Sequential类来实现的。

model = keras.Sequential(
    [
        layers.Dense(2, activation="relu"),
        layers.Dense(3, activation="relu"),
        layers.Dense(4),
    ]
)

在Keras中，当你创建了一个Sequential模型后，你可以通过layers属性来访问这个模型中的各个层。layers属性是一个Python列表，包含了模型中按添加顺序排列的所有层实例。

from keras.models import Sequential  
from keras.layers import Dense  
  
# 创建一个Sequential模型  
model = Sequential([  
    Dense(64, activation='relu', input_shape=(784,)),  
    Dense(10, activation='softmax')  
])  
  
# 访问模型的层  
for layer in model.layers:  
    print(layer.name)  # 打印层的名字  
    print(layer.output_shape)  #