# 定义一个Sequential模型对象 model = tf.keras.Sequential() # 添加模型层 # 第一层需要指定输入形状，后面的层会自动推断输入形状 model.add(tf.keras.layers.Dense(units=64, activation='relu', input_shape=(784,))) model.add(tf.keras.layers.Dense(units=10, activation='softmax')) # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])使用函数封装起来并添加注释

可以将上面的代码封装在一个函数中，方便调用，代码如下：

import tensorflow as tf

def build_sequential_model(input_shape=(784,), num_classes=10):
    """
    构建一个Sequential模型

    :param input_shape: 输入的形状
    :param num_classes: 分类的类别数
    :return: 构建好的模型
    """
    # 定义一个Sequential模型对象
    model = tf.keras.Sequential()

    # 添加模型层
    # 第一层需要指定输入形状，后面的层会自动推断输入形状
    model.add(tf.keras.layers.Dense(units=64, activation='relu', input_shape=input_shape))
    model.add(tf.keras.layers.Dense(units=num_classes, activation='softmax'))

    # 编译模型
    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

    return model

这个函数接受输入形状和分类的类别数，返回一个构建好的Sequential模型。在函数中，先定义一个Sequential模型对象，然后添加模型层，最后编译模型并返回。注释已经添加在代码中，可以更好地理解代码。