如何自定义tf.keras.Sequential的输入尺寸

在使用 `tf.keras.Sequential` 创建模型时，输入尺寸是由第一层的 `input_shape` 参数决定的。可以通过在第一层中指定 `input_shape` 参数来自定义输入尺寸。例如，如果要创建一个输入尺寸为 (32, 32, 3) 的卷积神经网络模型，可以这样做：

from tensorflow.keras import models, layers

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

在这个例子中，第一层是一个输入尺寸为 (32, 32, 3) 的卷积层，因此整个模型的输入尺寸也是 (32, 32, 3)。

如果使用的是函数式 API，可以使用 `tf.keras.Input` 创建模型的输入层，并在其中指定输入尺寸。例如：

from tensorflow.keras import models, layers

inputs = layers.Input(shape=(32, 32, 3))
x = layers.Conv2D(32, (3, 3), activation='relu')(inputs)
x = layers.MaxPooling2D((2, 2))(x)
x = layers.Conv2D(64, (3, 3), activation='relu')(x)
x = layers.MaxPooling2D((2, 2))(x)
x = layers.Conv2D(64, (3, 3), activation='relu')(x)
x = layers.Flatten()(x)
x = layers.Dense(64, activation='relu')(x)
outputs = layers.Dense(10, activation='softmax')(x)

model = models.Model(inputs=inputs, outputs=outputs)

在这个例子中，使用 `tf.keras.Input` 创建了一个输入层，并在其中指定了输入尺寸为 (32, 32, 3)。然后，通过在输入层之后添加其他层来构建模型。