Sequential模型：使用Sequential模型，可以直接将一系列层按顺序堆叠起来，构建神经网络模型。
Functional API：使用Functional API，可以更加灵活地构建神经网络模型，可以定义多个输入、多个输出以及具有分支结构的模型。
Subclassing模型：使用Subclassing模型，可以通过继承tf.keras.Model类来自定义神经网络模型，可以在call方法中定义前向传播过程。
Estimator模型：使用Estimator模型，可以更方便地进行模型的训练、评估和预测，适用于大规模数据集和分布式环境。
SavedModel：可以通过保存和加载模型的方式来构建模型，可以使用tf.saved_model.save()和tf.saved_model.load()方法来保存和加载模型。
keras.Sequential：使用tf.keras.Sequential()方法可以构建Sequential模型。
keras.Model：使用tf.keras.Model()方法可以构建更加灵活的模型，可以定义多个输入、多个输出以及分支结构的模型。
自定义层：通过自定义层的方式，可以在模型中添加自定义的层，以满足特定的需求。
