如何将Keras函数式API模型转为Sequential模型？求解最后两层代码

首先，你现有代码存在两处小问题需要修正：

1. 每一行model.add()的括号未闭合，会触发语法错误
2. 遗漏了原函数式API中的MaxPool1D层，这会导致模型结构与原版本不一致

修正并补全后的完整Sequential模型代码如下：

from tensorflow import keras
from keras.layers import Flatten, MaxPool1D

# 初始化Sequential模型
model = keras.Sequential()

# 添加输入层与卷积层
model.add(keras.layers.Conv1D(300, 19, strides=1, activation='relu', input_shape=dataset['x_train'].shape[1:]))
model.add(keras.layers.Conv1D(300, 19, strides=1, activation='relu'))
# 补上原函数式API里的MaxPool1D层
model.add(MaxPool1D(pool_size=3))

model.add(Flatten())
model.add(keras.layers.Dense(596, activation='relu'))

# 添加原函数式API中的logit层与sigmoid输出层
model.add(keras.layers.Dense(35, activation='linear'))  # logits层，激活函数为linear
model.add(keras.layers.Activation('sigmoid'))  # 输出层，sigmoid激活

关键说明： #

• 原函数式API中的logits = keras.layers.Dense(35, activation='linear')(nn)，在Sequential中直接通过Dense(35, activation='linear')添加即可
• 后续的sigmoid激活层通过Activation('sigmoid')单独添加，和原函数式API的逻辑完全对应
• 所有层的参数（如strides、pool_size等）需与原模型保持一致，确保结构等价

内容的提问来源于stack exchange，提问作者John