此文档中3.1模型搭建是如何使用Sequential模型来构建模型的？为什么要使用Sequential模型？这样做有什么好处？

在此文档中，3.1模型搭建部分使用了Keras库中的Sequential模型来构建一个具有单一隐藏层的简单神经网络。具体实现方式如下：

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.optimizers import SGD

model = Sequential()
model.add(Dense(100, activation='relu', input_shape=INPUT_SHAPE))
model.add(Dense(OUTPUT_NUM))

sgd = SGD(lr=0.01, momentum=0.9, nesterov=True)
model.compile(loss='mean_squared_error', optimizer=sgd)

选择使用Sequential模型的原因主要是因为这种类型的模型非常适合构造线性堆叠的神经网络层。在这种情况下，模型只需要一系列从输入到输出的全连接层。Sequential模型的好处在于其实现非常简洁明了，能够让开发者快速地试验不同的网络架构，尤其是在初步探索阶段或者当网络架构本身并不复杂的时候。此外，对于教育目的而言，Sequential API也有助于学生理解神经网络的基本概念和流程。然而，如果需要更复杂的网络架构设计，比如残差链接或是多输入/多输出等情况，则应考虑使用Functional API或其他更为灵活的方式。