在TensorFlow 中，也实现了一套Keras 协议，即tf.keras，但只能基于TensorFlow 后端计算，并对TensorFlow 的支持更好。对于使用TensorFlow 的开发者来说，tf.keras 可以理解为一个普通的子模块，与其他子模块，如tf.math，tf.data 等并没有什么差别。

一、常见网络层类

对于常见的神经网络层，可以使用张量方式的底层接口函数来实现，这些接口函数一
般在tf.nn 模块中。更常用地，对于常见的网络层，我们一般直接使用层方式来完成模型的搭建，在tf.keras.layers 命名空间(下文使用 layers 指代tf.keras.layers)中提供了大量常见网络层的类接口，如全连接层，激活函数层，池化层，卷积层，循环神经网络层等等。对于这些网络层类，只需要在创建时指定网络层的相关参数，并调用__call__方法即可完成前向计算。在调用__call__方法时，Keras 会自动调用每个层的前向传播逻辑，这些逻辑一般实现在类的call 函数中。

我们以 Softmax 层为例，它既可以使用 tf.nn.softmax 函数在前向传播逻辑中完成Softmax 运算，也可以通过layers.Softmax(axis)类搭建 Softmax 网络层，其中axis 参数指定进行 softmax 运算的维度。

首先导入相关的子模块：

import tensorflow as tf
# 导入keras 模型，不能使用import keras，它导入的是标准的Keras 库
from tensorflow import keras
from tensorflow.keras import layers # 导入常见网络层类x = tf.constant([2.,1.,0.1])
layer = layers.Softmax(axis=-1) # 创建Softmax 层
layer(x) # 调用softmax 前向计算

二、网络容器

对于常见的网络，需要手动调用每一层的类实例完成前向传播运算，当网络层数变得
较深时，这一部分代码显得非常臃肿。可以通过 Keras 提供的网络容器Sequential 将多个
网络层封装成一个大网络模型，只需要调用网络模型的实例一次即可完成数据从第一层到
最末层的顺序运算。

例如，2层的全连接层加上单独的激活函数层，可以通过 Sequential 容器封装为一个网络

from tensorflow.keras import layers, Sequential
network = Sequential([ # 封装为一个网络
layers.Dense(3, activation=None), # 全连接层
layers.ReLU(),#激活函数层
layers.Dense(2, activation=None), # 全连接层
layers.ReLU() #激活函数层
])
x = tf.random.normal([4,3])
network(x) # 输入从第一层开始，逐层传播至最末层

Sequential 容器也可以通过add()方法继续追加新的网络层，实现动态创建网络的功能：

layers_num = 2 # 堆叠2 次
network = Sequential([]) # 先创建空的网络
for _ in range(layers_num):network.add(layers.Dense(3)) # 添加全连接层network.add(layers.ReLU())# 添加激活函数层
network.build(input_shape=(None, 4)) # 创建网络参数
network.summary()

上述代码通过指定任意的 layers_num 参数即可创建对应层数的网络结构，在完成网络创建时，很多类并没有创建内部权值张量等成员变量，此时通过调用类的 build 方法并指定输入大小，即可自动创建所有层的内部张量。通过 summary() 函数可以方便打印出网络结构和参数量：

可以看到Layer 列为每层的名字，这个名字由TensorFlow 内部维护，与Python 的对象名不一样，Param#列 为层的参数个数，Total params 统计出了总的参数量，Trainable params 为待优化的参数量，Non-trainable params 为不需要优化的参数量。

当我们通过Sequential 容量封装多层网络层时，所有层的参数列表将会自动并入
Sequential 容器的参数列表中，不需要人为合并网络参数列表。Sequential 对象的
trainable_variables 和 variables 包含了所有层的待优化张量列表和全部张量列表：

Sequential 容器是最常用的类之一，对于快速搭建多层神经网络非常有用，应尽量多使用来提过代码可读性。