基于Sequential()的TensorFlow模型构建与训练实例

TensorFlow 是一个非常流行的开源深度学习框架，提供了灵活的建模和训练能力。其中，Sequential() 是 TensorFlow 中的一个方便的模型构建工具，用于构建序列模型。

Sequential() 可以将多个层按照顺序连接起来，构建一个完整的神经网络模型。下面我们将使用一个例子来展示如何使用 Sequential() 构建和训练一个简单的分类模型。

首先，我们需要导入必要的库和模块：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

然后，我们定义并准备数据集。在这个例子中，我们将使用经典的鸢尾花数据集，该数据集包含三种不同类型的鸢尾花的样本特征。

# 导入数据集
from sklearn.datasets import load_iris

# 加载数据集
iris_data = load_iris()

# 获取特征和标签
features = iris_data.data
labels = iris_data.target

接下来，我们需要将数据集划分为训练集和测试集，以便于模型的训练和评估。

# 导入划分函数
from sklearn.model_selection import train_test_split

# 将数据集划分为训练集和测试集
train_features, test_features, train_labels, test_labels = train_test_split(features, labels, test_size=0.2, random_state=42)

然后，我们可以构建模型。在这个例子中，我们使用 Sequential() 构建一个包含两个全连接层的模型，其中有一个输入层、一个隐藏层和一个输出层。隐藏层的激活函数我们选择 relu，输出层的激活函数我们选择 softmax。

# 构建模型
model = Sequential()
model.add(Dense(10, activation='relu', input_shape=(4,)))  # 输入层
model.add(Dense(3, activation='softmax'))  # 输出层

接下来，我们可以指定损失函数、优化器和评估指标，并进行模型的编译。

# 指定损失函数、优化器和评估指标
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

最后，我们可以使用训练集对模型进行训练，并在测试集上进行评估。

# 训练模型
model.fit(train_features, train_labels, epochs=10, batch_size=32, validation_data=(test_features, test_labels))

# 在测试集上评估模型
test_loss, test_acc = model.evaluate(test_features, test_labels)
print('Test accuracy:', test_acc)

通过上述步骤，我们就完成了基于 Sequential() 的 TensorFlow 模型的构建和训练。可以根据自己的实际需求，调整模型的结构和参数，以获得更好的性能和效果。