Sequential Class trong Keras

>>> # Lớp đầu tiên có thể tùy chọn nhận đối số `input_shape`:     
>>> model = tf.keras.Sequential()  
>>> model.add(tf.keras.layers.Dense(8, input_shape=(16,)))  
>>> # Next we can perform automatic shape inference:    
>>> model.add(tf.keras.layers.Dense(4))   

>>> # This is identical to the following:    
>>> model = tf.keras.Sequential()  
>>> model.add(tf.keras.Input(shape=(16,)))  
>>> model.add(tf.keras.layers.Dense(8)) 

>>> # Có thể lưu ý rằng bạn cũng có thể bỏ qua đối số `input_shape`.    
>>> # Trong  trường hợp đó  , mô hình không có bất kỳ trọng lượng nào cho đến lần gọi đầu tiên    
>>> # đến một phương pháp đào tạo / đánh giá (vì nó chưa được xây dựng):    
>>> model = tf.keras.Sequential()  
>>> model.add(tf.keras.layers.Dense(8))  
>>> model.add(tf.keras.layers.Dense(4))  
>>> # model.weights not created yet     

>>> # Trong khi  nếu  hình dạng đầu vào được chỉ định, thì trong  trường hợp đó  , mô hình sẽ được xây dựng    
 
# liên tục  miễn  là bạn thêm lớp:    
>>> model = tf.keras.Sequential()  
>>> model.add(tf.keras.layers.Dense(8, input_shape=(16,)))  
>>> model.add(tf.keras.layers.Dense(4))  
>>> len(model.weights)  
4  

>>> # Khi bạn sử dụng mẫu xây dựng bị trì hoãn (không có hình dạng đầu vào được chỉ định), bạn có thể    
>>> # chọn thủ công xây dựng mô hình của bạn bằng cách gọi    
>>> # `build(batch_input_shape)`:    
>>> model = tf.keras.Sequential()  
>>> model.add(tf.keras.layers.Dense(8))  
>>> model.add(tf.keras.layers.Dense(4))  
>>> model.build((None, 16))  
>>> len(model.weights)  
4  

# Lưu ý rằng khi bạn sử dụng mẫu dựng trễ (tức là không có hình dạng đầu vào được chỉ định),  
# thì mô hình sẽ được tạo trong lần đầu tiên khi bạn gọi là `phù hợp '',` `eval '' hoặc` dự đoán, '  
# hoặc  nếu  bạn gọi mô hình trên một số dữ liệu đầu vào.  
model = tf.keras.Sequential()  
model.add(tf.keras.layers.Dense(8))  
model.add(tf.keras.layers.Dense(1))  
model.compile(optimizer='sgd', loss='mse')  
# It helps to build the model for the very first time:  
model.fit(x, y, batch_size=32, epochs=10)