keras中的sequential模型

序贯模型（Sequential):单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。这种模型编译速度快，操作也比较简单

model = Sequential()

Sequential模型的核心操作是添加layers（图层），以下展示如何将一些最流行的图层添加到模型中：

卷积层

model.add(Conv2D(64, (3, 3), activation='relu')) #激活函数为relu

最大池化层

model.add(MaxPooling2D(pool_size=(2, 2)))

全连接层

model.add(Dense(256, activation='relu'))

dropout
dropout是指深度学习训练过程中，对于神经网络训练单元，按照一定的概率将其从网络中移除，注意是暂时，用于减少过拟合。

model.add(Dropout(0.5))

Flattening layer(展平层)

model.add(Flatten())

在使用sequential模型的时候要定义损失函数，优化器。

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

对于搭建了好了的模型要进行训练，这个时候就要用到fit()方法。

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test))

批次大小（batch size）、迭代次数、验证数据集都是需要我们自己去定义的，对于不同的网络其数值可能不同，要根据自己的模型来找到合适的数值。

最后就是用使用evaluate方法来评估模型：

score = model.evaluate(x_train，y_train，batch_size = 32)

它便会显示出训练集和测试集的损失以及准确率。

最后还要保存好训练的模型，进而实现模型的可持续化。

# 保存模型参数
model.save('model.h5')