最典型和常用的神经网络结构是将一堆层按特定顺序叠加起来，那么，我们是不是只需要提供一个层的列表，就能由 Keras 将它们自动首尾相连，形成模型呢？Keras 的 Sequential API 正是如此。通过向 tf.keras.models.Sequential() 提供一个层的列表，就能快速地建立一个 tf.keras.Model 模型并返回：

不过，这种层叠结构并不能表示任意的神经网络结构。为此，Keras 提供了 Functional API，帮助我们建立更为复杂的模型，例如多输入 / 输出或存在参数共享的模型。其使用方法是将层作为可调用的对象并返回张量（这点与之前章节的使用方法一致），并将输入向量和输出向量提供给 tf.keras.Model 的 inputs 和 outputs 参数，示例如下：

使用 Keras Model 的 compile 、 fit 和 evaluate 方法训练和评估模型

当模型建立完成后，通过 tf.keras.Model 的 compile 方法配置训练过程：

接受 3 个重要的参数：

接下来，可以使用 tf.keras.Model 的 方法训练模型：

tf.keras.Model.fit 接受 5 个重要的参数：

• y ：目标数据（数据标签）；

• epochs ：将训练数据迭代多少遍；

• validation_data ：验证数据，可用于在训练过程中监控模型的性能。

最后，使用 评估训练效果，提供测试数据及标签即可：