[Sequential](https://js.tensorflow.org/api/0.15.1/#class:Sequential)模型。Sequential模型将网络的每一层简单的叠在一起。您可以将需要的层按顺序写在一个列表里，然后将列表作为[sequential()](https://js.tensorflow.org/api/0.15.1/#sequential) 函数的输入：
+
+```js
+const model = tf.sequential({
+ layers: [
+ tf.layers.dense({inputShape: [784], units: 32, activation: 'relu'}),
+ tf.layers.dense({units: 10, activation: 'softmax'}),
+ ]
+});
+```
+
+或用 `add()` 方法：
+
+```js
+const model = tf.sequential();
+model.add(tf.layers.dense({inputShape: [784], units: 32, activation: 'relu'}));
+model.add(tf.layers.dense({units: 10, activation: 'softmax'}));
+```
+
+> 注意：模型的第一层需要“输入形状”参数（`inputShape`）。不要在“输入型状”中包含batch size（批次大小）。假设您要向模型输入一个形状为`[B, 784]`的张量（`B`是任意batch size），您只需要将“输入型状”设为`[784]`。
+
+您可以通过`model.layers`来使用模型中的每一层。例如，您可以用`model.inputLayers`和`model.outputLayers`来调用输入层和输出层。
+
+### 使用functional model
+
+我们也可以通过`tf.model()`来创建`LayersModel`。`tf.model()`和`tf.sequential()`的主要区别为，您可以用`tf.model()`来创建任何非闭环的计算图。
+
+以下是一段如何用`tf.model()` API 建立和上文相同模型的列子：
+
+```js
+// 用apply()方法创建任意计算图
+const input = tf.input({shape: [784]});
+const dense1 = tf.layers.dense({units: 32, activation: 'relu'}).apply(input);
+const dense2 = tf.layers.dense({units: 10, activation: 'softmax'}).apply(dense1);
+const model = tf.model({inputs: input, outputs: dense2});
+```
+
+我们在每一层用`apply()`将上一层的输出作为本层的输入。`apply()`返回一个`SymbolicTensor`（类似于张量，但不包含任何数值）
+
+不同于sequential model使用`inputShape`来定义第一层的输入，我们用`tf.input()`创建的`SymbolicTensor`作为第一层的输入
+
+如果您向`apply()`输入一个数值张量，它会进行计算并返还一个数值张量：
+
+```js
+const t = tf.tensor([-2, 1, 0, 5]);
+const o = tf.layers.activation({activation: 'relu'}).apply(t);
+o.print(); // [0, 1, 0, 5]
+```
+
+这个方式适用于单独测试每一层并检查它们的输出。
+
+和sequential model一样，您可以通过`model.layers`来使用模型中的每一层。例如，您可以用`model.inputLayers`和`model.outputLayers`来调用输入层和输出层。
+
+## 验证
+
+Sequential model和functional model都属于`LayersModel`类。使用`LayersModels`让验证更方便：它要求您定义输入形状，并用您定义的形状来验证您对模型的输入。`LayersModel`会自动计算模型中所有张量的形状。知道张量的形状后，模型就可以自动创建它所需要的参数。您也可以用形状信息来判断两层相邻的层是否相互兼容。
+
+## 模型总览
+
+使用`model.summary()`可以显示很多模型的重要信息，包括：
+
+* 每一层的名字和类型
+* 每一层的输出形状
+* 每一层的权重数量
+* 每一层的输入
+* 一个模型拥有的可训练参数总量，和不可训练参数总量
+
+用前面定义的模型来做例子，我们可以在命令行中得到以下信息：
+
+| Layer (type) + | +Output shape + | +Param # + | +
| dense_Dense1 (Dense) + | +[null,32] + | +25120 + | +
| dense_Dense2 (Dense) + | +[null,10] + | +330 + | +
| Total params: 25450 Trainable params: 25450 Non-trainable params: 0 + |
+ ||
[model.save()](https://js.tensorflow.org/api/latest/#tf.Model.save)和[save and load](save_load.md)了解如何把模型保存在不同的媒介中（例如 file storage, IndexedDB, 触发下载到浏览器等等）。
+
+## 自定义层
+
+层是创建模型的基础。如果您的模型需要定制化计算模块，您可以写一个自定义层并插入模型中。下面的例子是一个计算平方和的自定义层：
+
+```js
+class SquaredSumLayer extends tf.layers.Layer {
+ constructor() {
+ super({});
+ }
+ // In this case, the output is a scalar.
+ computeOutputShape(inputShape) { return []; }
+
+ // call() is where we do the computation.
+ call(input, kwargs) { return input.square().sum();}
+
+ // Every layer needs a unique name.
+ getClassName() { return 'SquaredSum'; }
+}
+```
+
+可以用`apply()`方法在一个张量上测试这个自定义层
+
+```js
+const t = tf.tensor([-2, 1, 0, 5]);
+const o = new SquaredSumLayer().apply(t);
+o.print(); // prints 30
+```
+
+> 注意：如果您在模型中包含了自定义层，模型将不能序列化
+
+## 用Core API创建模型
+
+本文开头提到了两种在TensorFlow.js中建立模型的方法。最常用的方式是使用 Layers API，因为它的模式是基于广泛应用的Keras API（详情见 [best practices and reduces cognitive load](https://keras.io/why-use-keras/)）。Layers API提供了大量方便的工具，例如权重初始化，模型序列化，训练监测，可迁移性和安全检查。
+
+当您遇到如下情况时，可能会需要使用Core API：
+
+* 您需要更多灵活性和控制
+* 您不需要序列化或可以创造自己的序列化方法
+
+用Core API写的模型包含了一系列的函数。这些函数以一个或多个张量作为输入，并输出另一个张量。我们可以用Core API来重写之前定义的模型：
+
+```js
+// The weights and biases for the two dense layers.
+const w1 = tf.variable(tf.randomNormal([784, 32]));
+const b1 = tf.variable(tf.randomNormal([32]));
+const w2 = tf.variable(tf.randomNormal([32, 10]));
+const b2 = tf.variable(tf.randomNormal([10]));
+
+function model(x) {
+ return x.matMul(w1).add(b1).relu().matMul(w2).add(b2).softmax();
+}
+```
+
+在Core API中，我们需要自己创建和初始化权重。每个权重都是一个`Variable`，TensorFlow.js会把`Variable`权重设为可训练张量。您可以用[tf.variable()](https://js.tensorflow.org/api/latest/#variable)创建`Variable`或把一个已存在的张量放到`Variable`中。
+
+本文介绍了如何用Layers和Core API创建模型。接下来，请看[training models](train_models.md)学习如何训练模型。