序贯模型是多个神经网络的线性叠加，也就是“一条路走到黑”。
可以通过向Sequential模型传递一个list来构造：
from keras.models import Sequential
from keras.layers import Dense,Activation
model = Sequential([Dense(32,units=784),Activation('relu'),Dense(10),Activation('softmax')])
# 模型是一个输入为784的模型，通过Dense将其压缩到32，然后调用relu激活函数对其处理，第二层是对第一层输出的32再次使用Dense将其压缩，压缩到10，而后，调用softmax激活函数对第二层网络的输出进行处理
也可以通过.add()方法来将一个网络层加入模型之中：
model.Sequential()
model.add(Dense(32,input_shape=(784,))
model.add(Activation('relu'))
注意：这里input_shape和units都表示输入的参数，神经网络需要指定一个输入参数，而后的神经网络的输入是上一层的输出，且可以自动推到出来，所以就不需要指定这个参数，具体如何计算出这个参数，需要深入理解深度学习网络的知识（这部分内容有待扩充）。
model=Sequential()
model.add(Dense(32,input_shape=(784)
input_shape()是一个tuple类型的数据，可以填入None，如果是None，表示此位置可能是任何一个正整数。数据中的batch大小不应该包含在其中。（这句话不懂）
有些2D层，如Dense,支持通过指定输入维度input_dim来隐含指定的输入数据shape，是一个int类型数据。有些3D层支持通过输入input_dim和input_length来指定输入的shape。
如果需要为输入指定一个固定大小的batch_size，可以传递batch_size参数到一个层中（这段话需要接触更多的深度学习的知识）
在训练模型前，需要调用compile()来对学习过程进行配置。
compile()接受三个参数：
优化器optimizer：该参数可以指定为已预定义的优化器名，如rmsprop,adagrad，或者一个Optimizer类的对象，详情看：optimier(http://keras-cn.readthedocs.io/en/latest/other/optimizers/)
损失函数loss，该参数为模型试图将损失达到最小的目标函数，可以定义为一个预定义的损失函数名，如categorical_crossentropy,mse，也可以定义为一个损失函数。详情参见loss(http://keras-cn.readthedocs.io/en/latest/other/objectives/)
评估指标函数metrics：对训练的结果进行评估的指标。可以是一个预定义的指标的名字，也可以是一个用户自定义的函数，指标函数应该返回一个张两或者一个字典，一个metrics_name->metrics_value的字典。指标函数不一定需要指定。
对编译好的模型进行训练：
keas以numpy数组作为输入数据和标签的数据类型。一般使用fit()，详细使用请参考这里（http://keras-cn.readthedocs.io/en/latest/models/sequential/）
文档中的例子：
CIFAR10 小图片分类：使用CNN和实时数据提升
IMDB 电影评论观点分类：使用LSTM处理成序列的词语
Reuters（路透社）新闻主题分类：使用多层感知器（MLP）
MNIST手写数字识别：使用多层感知器和CNN
字符级文本生成：使用LSTM …