Keras的核心数据结构是model,一种组织网络层的方式，最简单的数据模型是Sequential模型，它是由多个网络层线性堆叠的栈，对于更复杂的结构，你应该使用Keras函数式，它允许构建任意的神经网络图。
sequential模型具体步骤如下所示：
from keras.models importSequential model = Sequential()可以简单地使用 .add() 来堆叠模型：
from keras.layers import Dense model.add(Dense(units= 64, activation= 'relu', input_dim= 100)) model.add(Dense(units= 10, activation= 'softmax'))也可以是一个完整的形式：
from keras.models import Sequential from keras.layers import Dense, Activation model = Sequential([ Dense(32, input_dim=784), Activation('relu'), Dense(10), Activation('softmax'),]） 指定输入数据的 shape模型需要知道输入数据的shape,因此, Sequential 的第一层需要接受一个关于输入数据shape的参数,后面的各个层则可以自动的推导出中间数据的 shape ,因此不需要为每个层都指定这个参数。有几种方法来为第一层指定输入数据的 shape：
1 传递一个input_shape的关键字参数给第一层, input_shape是一个tuple类型的数据,其中也可以填入None，则表示此位置可能是任何正整数。数据的batch大小不应包含在其中。2 传递一个 batch_input_shape 的关键字参数给第一层,该参数包含数据的batch大小。该参数在指定固定大小 batch 时比较有用,例如在 stateful RNNs 中。事实上, Keras 在内部会通过添加一个 None 将 input_shape 转化为 batch_input_shape。
3 有些2D层,如Dense,支持通过指定其输入维度input_dim来隐含的指定输入数据shape。一些3D的时域层支持通过参数input_dim和input_dim input_length来指定输入shape。
下面的三个指定输入数据 shape 的方法是严格等价的:
[html] view plain copy model = Sequential() model.add(Dense(32, <span style="background-color:rgb(255,153,255);">input_shape</span>=(784,))) model = Sequential() model.add(Dense(32, <span style="background-color:rgb(255,153,255);">batch_input_shape</span>=(None, 784))) # note that batch dimension is "None" here, # so the model will be able to process batches of any size.</pre> model = Sequential() model.add(Dense(32,<span style="background-color:rgb(255,153,255);"> input_dim</span>=784))下面三种方法也是严格等价的:
[html] view plain copy [html] view plain copy model = Sequential() model.add(LSTM(32, <span style="background-color:rgb(255,153,255);"><span style="color:#330033;">input_shape=(10, 64)</span></span>)) model = Sequential() model.add(LSTM(32, <span style="background-color:rgb(255,153,255);">batch_input_shape=</span>(None, 10, 64))) model = Sequential() model.add(LSTM(32,<span style="background-color:rgb(255,153,255);"> input_length=10, input_dim=64))</span>