tensorflow中tf.keras.models.Sequential()用法
Sequential()方法是一个容器，描述了神经网络的网络结构，在Sequential()的输入参数中描述从输入层到输出层的网络结构
model = tf.keras.models.Sequential([网络结构]) #描述各层网络
网络结构举例：
拉直层：tf.keras.layers.Flatten() #拉直层可以变换张量的尺寸，把输入特征拉直为一维数组，是不含计算参数的层
全连接层：tf.keras.layers.Dense(神经元个数，
activation = "激活函数“，
kernel_regularizer = "正则化方式）
其中：activation可选 relu 、softmax、 sigmoid、 tanh等
kernel_regularizer可选 tf.keras.regularizers.l1() 、tf.keras.regularizers.l2()
卷积层：tf.keras.layers.Conv2D(filter = 卷积核个数，
kernel_size = 卷积核尺寸，
strides = 卷积步长,
padding = ”valid“ or "same")
LSTM层：tf.keras.layers.LSTM()
实例代码：
#第一步，import
import tensorflow as tf #导入模块
from sklearn import datasets #从sklearn中导入数据集
import numpy as np #导入科学计算模块
import keras
#第二步，train, test
x_train = datasets.load_iris().data #导入iris数据集的输入
y_train = datasets.load_iris().target #导入iris数据集的标签
np.random.seed(120) #设置随机种子，让每次结果都一样，方便对照
np.random.shuffle(x_train) #使用shuffle()方法，让输入x_train乱序
np.random.seed(120) #设置随机种子，让每次结果都一样，方便对照
np.random.shuffle(y_train) #使用shuffle()方法，让输入y_train乱序
tf.random.set_seed(120) #让tensorflow中的种子数设置为120
#第三步，models.Sequential()
model = tf.keras.models.Sequential([ #使用models.Sequential()来搭建神经网络
tf.keras.layers.Dense(3, activation = "softmax", kernel_regularizer = tf.keras.regularizers.l2()) #全连接层，三个神经元，激活函数为softmax,使用l2正则化
])
#第四步，model.compile()
model.compile( #使用model.compile()方法来配置训练方法
optimizer = tf.keras.optimizers.SGD(lr = 0.1), #使用SGD优化器，学习率为0.1
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False), #配置损失函数
metrics = ['sparse_categorical_accuracy'] #标注网络评价指标
)
#第五步，model.fit()
model.fit( #使用model.fit()方法来执行训练过程，
x_train, y_train, #告知训练集的输入以及标签，
batch_size = 32, #每一批batch的大小为32，
epochs = 500, #迭代次数epochs为500
validation_split = 0.2, #从测试集中划分80%给训练集
validation_freq = 20 #测试的间隔次数为20
)
#第六步，model.summary()
model.summary() #打印神经网络结构，统计参数数目
