今天要把模型給做出來，一個好的模型對我們幫助很大，它應該大小適中，過大或過小的模型會有什麼影響，我們之後會談到，今天先從簡單的模型開始即可。

以下是一個Sequential模型的開始，Keras提供的一種簡單的模型搭建方法，將我們所需要的層一直疊加上去即可，另一種Functional的方式允許我們搭建較複雜的模型，之後會談到。

from tensorflow.keras.models import Sequential
model = Sequential()

這個模型的名稱叫多層感知器，Multilayer perceptron, MLP，它包含了三個基本結構，輸入層、隱藏層、輸出層。模型的第一層是輸入層，輸入一維長度為784的向量，Keras會為我們的輸入數量加1，這一個額外的輸入視作為偏差使用，它的輸入會被固定為1。

from tensorflow.keras.layers import InputLayer, Dense

model.add(
    InputLayer(
        input_shape = (784, )
    )
)

接下來是模型的隱藏層，隱藏層可以包含一個或多個的層，本例中只用一層，擁有64個神經元，因此產生了(784+1)X64=50240個權重，每個神經元將與前一層的所有神經元連接，如果層與層之間採用此種連接方式則可以被稱作全連接層。

model.add(
  Dense(
    units = 64,
    activation = 'relu'
  )
)

最後是輸出層，模型的最後一層即為輸出層，我們要訓練10個輸出0~1的二元分類器，因此我們將神經元的數目設為10個，Keras不會為最後一層的輸出添加偏差，因此大家不用擔心會出現11個分類器，此層也將與前一層的所有神經元連接，權重數目為(64+1)X10=650個。

model.add(
  Dense(
    units = 10,
    activation = 'softmax'
  )
)

接著我們要確認一些模型訓練所使用的方法，過程中使用的參數等等，這裡未解釋的參數包含之前看到的activation，將留到之後解釋。

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

可以用以下的方法來觀察一下剛才搭建的模型，明天我們就可以開始訓練了。

model.summary()

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 64)                50240     
_________________________________________________________________
dense_1 (Dense)              (None, 10)                650       
=================================================================
Total params: 50,890
Trainable params: 50,890
Non-trainable params: 0
_________________________________________________________________