推荐答案
-- -------------------- ---- -------
------ ---------- -- --
---- ---------------- ------ ------
- -- ------------------- ----
----- - ---------------------
---------------- ------------------ --------------------
---------------- -------------------
---------------- ---------------------
--
- ----
-------------------------------
---------------------------------------
---------------------
- ------
---------------本题详细解读
1. 使用 tf.keras.Sequential 构建模型
tf.keras.Sequential 是 TensorFlow 中用于构建顺序模型的高级 API。顺序模型是指模型中的每一层都只有一个输入和一个输出，并且层与层之间是线性堆叠的。
在代码中，我们通过传递一个层列表来构建模型：
model = tf.keras.Sequential([
layers.Dense(64, activation='relu', input_shape=(784,)),
layers.Dense(64, activation='relu'),
layers.Dense(10, activation='softmax')
])layers.Dense(64, activation='relu', input_shape=(784,))：这是模型的第一层，一个全连接层（Dense Layer），包含 64 个神经元，激活函数为 ReLU。input_shape=(784,)指定了输入数据的形状，这里假设输入是一个 784 维的向量（例如，28x28 的图像展平后的向量）。layers.Dense(64, activation='relu')：这是模型的第二层，同样是一个全连接层，包含 64 个神经元，激活函数为 ReLU。layers.Dense(10, activation='softmax')：这是模型的输出层，包含 10 个神经元，激活函数为 softmax，通常用于多分类问题。
2. 编译模型
在模型构建完成后，需要使用 compile 方法来配置模型的学习过程：
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])optimizer='adam'：指定优化器为 Adam，这是一种常用的自适应学习率优化算法。loss='sparse_categorical_crossentropy'：指定损失函数为稀疏分类交叉熵，适用于标签为整数的情况。metrics=['accuracy']：指定评估指标为准确率。
3. 打印模型摘要
最后，使用 model.summary() 打印模型的摘要信息，包括每一层的名称、输出形状和参数数量等。
model.summary()
输出示例：
-- -------------------- ---- ------- ------ ------------ ----------------------------------------------------------------- ----- ------ ------ ----- ----- - ----------------------------------------------------------------- ----- ------- ------ --- ----- ----------------------------------------------------------------- ------- ------- ------ --- ---- ----------------------------------------------------------------- ------- ------- ------ --- --- ----------------------------------------------------------------- ----- ------- ------ --------- ------- ------ ------------- ------- - -----------------------------------------------------------------
通过这种方式，你可以快速构建和配置一个简单的神经网络模型。