机器学习模型可以简单理解函数，接受一个输入然后经过函数得到一个输出的算法。当使用神经网络时，那么神经网络就是是模型还是算法，个人因为应该算算法。神经网络大家可以将其理解为复杂的模型，这个模型有大量参数，所以需要一定算力而且神经网络求解过程是简单暴力的。
定义模型
我们先把这次分享完成代码抛出了，然后逐行解释
function createModel() {
// Create a sequential model
const model = tf.sequential();
// Add a single input layer
model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));
// Add an output layer
model.add(tf.layers.dense({units: 1, useBias: true}));
return model;
}
初始化一个容器
const model = tf.sequential();
这实例化了一个 tf.Model对象，sequential 有点类似一个容器，我们可以将神经网络的层结构一层一层堆叠到容器，输入的数据会经过这些层后输出一个结果。
也存在多个输入和输出的模型，但在许多情况下，我们的模型将是顺序执行的。
model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));
创建好容器后，我们就可以添加 layer 到的网络中，它自动连接到一个有一个隐藏单元的密集层。
在 Tensorflow 提供事先定义好层，dense layer 全连接层是一种比较简单，如果大家不了解，就可以将其简单理解为一个线性方程，y = wx + b, 不过因为输入一批样本所以， w 通常为一个矩阵（称为权重），输入数据乘以矩阵 w 在加上一个偏置 b ，这里 b 也是一个向量。这样我们就定义好了网络的第一层。
在解释一下参数 inputShape，因为数据只有一个特征作为输入所以 inputShape是[1]。
units 设定了该层中的权重矩阵的大小，它设置为1，表示每个数据的输入特征是 1 所以只有 1 个权重。
提示：全连接层默认带有一个偏置项，默认情况下 useBias 的值为 true
model.add(tf.layers.dense({units: 1}));
其实这一层是神经网络的输出层，units 设置为 1，输出 1 个数值。
提示：隐藏层有 1 个单元，实际上没有必要添加最终的输出层，也就是说可以把隐藏层作为输出层。然而，定义一个输出层可以让以后可以修改隐藏层的单元数，仅此而已。
实例化
// Create the model
const model = createModel();
tfvis.show.modelSummary({name: 'Model Summary'}, model)
