tf.keras.Sequential
序列化建模，一般步骤为：
1、实例化一个Sequential类，该类是继承于Model类；
2、添加所需要的神经网络层；
3、用compile进行编译模型；
4、用fitx训练模型；
5、用predict预测。
Sequential类的属性：
layers: (功能待查)
run_eagerly: 可设置属性，指示模型是否应该急切运行
sample_weights： 设置样本权重
state_updates： 更新所有有状态的图层并返回。这对于分离训练更新和状态更新很有用，例如，当我们需要在预测期间更新图层的内部状态时。
stateful：(功能待查)
Sequential类的方法：
add(): 添加图层，参数layer：图层实例, 对比类属性layers我们应该知道属性在实例化的时候是可以直接传入一个网络结构；
compile()：编译模型
compile( optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None, distribute=None, **kwargs )
evaluate(): 返回测试模式下模型的损失值
evaluate( x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None, callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False )
这里大多数方法都是继承Model类，所以其方法和调用是一样的，这里不再重复，Model类的文档分析链接请点击，下面是不同的方法展示：
pop()：删除模型的最后一层；
predict_classes()：为输入样本生成类预测；
1 predict_classes( 2 x, 3 batch_size=32, 4 verbose=0 5 )
predict_proba()：生成输入样本的类概率预测。
1 predict_proba( 2 x, 3 batch_size=32, 4 verbose=0 5 )