编译Keras序列模型是配置模型的训练过程的一个重要步骤。在编译之前，我们需要指定模型使用的优化器、损失函数和评估指标。以下是一个包含代码示例的解决方法：

from keras.models import Sequential
from keras.layers import Dense

# 创建序列模型
model = Sequential()

# 添加模型层
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=64, activation='relu'))
model.add(Dense(units=10, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

在上面的示例中，我们首先导入所需的Keras模块，并创建一个序列模型。然后，我们通过使用model.add方法添加了几个层。在这个例子中，我们使用了全连接层（Dense）作为模型层。接下来，我们使用model.compile方法来编译模型。

在model.compile方法中，我们需要指定损失函数（loss）、优化器（optimizer）和评估指标（metrics）。在这个例子中，我们使用了分类交叉熵作为损失函数，随机梯度下降（SGD）作为优化器，并使用准确率作为评估指标。

完成编译后，我们可以开始训练模型。可以使用model.fit方法来训练模型，并使用model.evaluate方法来评估模型的性能。