当存在简单的层堆栈时，顺序模型才有意义。在此堆栈中，每一层都只有一个输入张量和一个输出张量。当模型具有多个输入或多个输出时，这是不合适的。当需要共享图层时，这是不合适的。当图层具有多个输入或多个输出时，这是不合适的。当需要非线性架构时，这是不合适的。
Tensorflow是Google提供的一种机器学习框架。它是一个开放源代码框架，与Python结合使用以实现算法，深度学习应用程序等等。它用于研究和生产目的。它具有优化技术，可帮助快速执行复杂的数学运算。
这是因为它使用了NumPy和多维数组。这些多维数组也称为“张量”。该框架支持使用深度神经网络。它具有高度的可扩展性，并附带许多流行的数据集。它使用GPU计算并自动进行资源管理。它带有大量的机器学习库，并且得到了很好的支持和记录。该框架具有运行深度神经网络模型，对其进行训练以及创建可预测各个数据集相关特征的应用程序的能力。
可以使用下面的代码行在Windows上安装'tensorflow'软件包-
pip install tensorflow
Tensor是TensorFlow中使用的数据结构。它有助于连接流程图中的边缘。该流程图称为“数据流程图”。张量不过是多维数组或列表。可以使用三个主要属性来识别它们
等级-讲述张量的维数。可以理解为张量的顺序或已定义的张量中的维数。
类型-它告诉与张量元素关联的数据类型。它可以是一维，二维或n维张量。
形状-它是行和列的总数。
Keras在希腊语中的意思是“号角”。Keras被开发为ONEIROS（开放式神经电子智能机器人操作系统）项目研究的一部分。Keras是使用Python编写的深度学习API。它是一个高级API，具有可帮助解决机器学习问题的高效接口。它在Tensorflow框架之上运行。它旨在帮助快速进行实验。它提供了在开发和封装机器学习解决方案中必不可少的基本抽象和构建块。
Keras已经存在于Tensorflow软件包中。可以使用下面的代码行进行访问。
import tensorflow from tensorflow import keras
我们正在使用Google合作实验室来运行以下代码。Google Colab或Colaboratory可以帮助通过浏览器运行Python代码，并且需要零配置和对GPU（图形处理单元）的免费访问。合作已建立在Jupyter Notebook的基础上。
让我们看一个使用Tensorflow创建顺序模型的示例，包括Keras-
print("A sequential model is being created")
model = keras.Sequential()
model.add(layers.Dense(2, activation="relu"))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4))
print("Dense layers have been added to the model")代码信用-https://www.tensorflow.org/guide/keras/sequential_model
输出结果
A sequenital model is being created Dense layers have been added to the model
这是使用Python在Keras中创建顺序模型并向其中添加层的另一种方法。
变量被分配给对“顺序”方法的调用。
连同此变量一起，方法“ add”用于为模型生成图层。
添加图层后，数据将显示在控制台上。