tf.keras.Sequential
序列化建模，一般步驟為：
1、實例化一個Sequential類，該類是繼承於Model類；
2、添加所需要的神經網絡層；
3、用compile進行編譯模型；
4、用fitx訓練模型；
5、用predict預測。
Sequential類的屬性：
layers: (功能待查)
run_eagerly: 可設置屬性，指示模型是否應該急切運行
sample_weights： 設置樣本權重
state_updates： 更新所有有狀態的圖層並返回。這對於分離訓練更新和狀態更新很有用，例如，當我們需要在預測期間更新圖層的內部狀態時。
stateful：(功能待查)
Sequential類的方法：
add(): 添加圖層，參數layer：圖層實例, 對比類屬性layers我們應該知道屬性在實例化的時候是可以直接傳入一個網絡結構；
compile()：編譯模型
compile( optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None, distribute=None, **kwargs )
evaluate(): 返回測試模式下模型的損失值
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 )
這里大多數方法都是繼承Model類，所以其方法和調用是一樣的，這里不再重復，Model類的文檔分析鏈接請點擊，下面是不同的方法展示：
pop()：刪除模型的最后一層；
predict_classes()：為輸入樣本生成類預測；
1 predict_classes( 2 x, 3 batch_size=32, 4 verbose=0 5 )
predict_proba()：生成輸入樣本的類概率預測。
1 predict_proba( 2 x, 3 batch_size=32, 4 verbose=0 5 )