在TensorFlow中,可以使用tf.keras.Sequential()来定义模型结构。Sequential()是一个按照顺序构建的模型容器,可以通过添加层来定义模型的结构。
例如,下面是一个简单的使用Sequential()定义一个包含两个全连接层的神经网络模型的示例:
import tensorflow as tf
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)), # 将输入数据展平为一维向量
tf.keras.layers.Dense(128, activation='relu'), # 添加第一个全连接层,128个神经元,激活函数为ReLU
tf.keras.layers.Dense(10, activation='softmax') # 添加输出层,10个神经元,激活函数为softmax
])
在上面的例子中,我们首先通过Sequential()创建一个模型容器,然后添加了一个Flatten层,将输入数据展平为一维向量,然后添加了一个包含128个神经元的全连接层,激活函数为ReLU,最后添加了一个包含10个神经元的输出层,激活函数为softmax。
除了使用Sequential()外,还可以通过继承tf.keras.Model类来自定义模型结构。这种方式更加灵活,可以定义更加复杂的模型结构。