1.python中文件的读取(open/文件操作)：
f=open('/tmp/hello','w')
#open(路径+文件名,读写模式)
如何打开文件：
handle = open(file_name,access_mode = ‘r’)
file_name变量包含我们希望打开的文件的字符串名称，access_mode中的’r’表示读取，'w’表示写入，‘a’表示添加，etc。如果未提供access_mode,默认为’r’.
如果open()成功，一个文件对象句柄会被返回。
我们谈到"文本处理"时，我们通常指处理的内容。python将文本文件的内容读入可以操作的字符串变量非常容易。文件对象提供了三个'读'方法：.read()、.readline()、.readlines()。每种方法可以接受一个变量以限制每次读取的数据量，但它们通常不使用变量。.read()每次读取整个文件，它通常用域将文件内容放到一个字符串变量中。然而，.read()生成文件内容最直接的字符串表示，但对于连续的面向行的处理，它却是不必要的，并且如果文件大于可用内存，则不可能实现这种处理。
.readline() 和 .readlines() 非常相似。它们都在类似于以下的结构中使用：
fh = open('c:\\autoexec.bat')
for line in fh.readlines():
print(line)
.readline() 和 .readlines() 之间的差异是后者一次读取整个文件，象 .read() 一样。.readlines() 自动将文件内容分析成一个行的列表，该列表可以由 Python 的 for … in … 结构进行处理。另一方面，.readline() 每次只读取一行，通常比 .readlines() 慢得多。仅当没有足够内存可以一次读取整个文件时，才应该使用 .readline()。
原文转载自：https://www.cnblogs.com/ghsme/p/3281169.html
2.#numpy.random.choice(a, size=None, replace=True, p=None)
#从a(只要是ndarray都可以，但必须是一维的)中随机抽取数字，并组成指定大小(size)的数组
#replace:True表示可以取相同数字，False表示不可以取相同数字
#数组p：与数组a相对应，表示取数组a中每个元素的概率，默认为选取每个元素的概率相同。
这里确实是按照概率选取。
原文参考：
https://blog.csdn.net/ImwaterP/article/details/96282230
3.python strip()方法
python strip()函数用于移除字符串头尾指定的字符(默认为空格或者换行符)或字符序列。
注意：该方法只能删除开头或是结尾的字符，不能删除中间部分的字符。
str1 = '00000003210Runoob01230000000'
print(str1.strip('0')) # 去除首尾字符 0
str2 = ' Runoob '
print(str2.strip()) # 去除首尾空格
# ---- outputs ----
# 3210Runoob0123
# Runoob
4.np.random.shuffle(X)用法
现场修改序列(列表)X，改变自身内容。（类似洗牌，打乱顺序）
x = np.arange(10)
print(x)
np.random.shuffle(x)
print(x)
# ---- output ----
# [0 1 2 3 4 5 6 7 8 9]
# [2 1 8 4 3 5 0 9 7 6]
5.回调函数callback
回调函数是一组在训练的特定阶段被调用的函数集，你可以使用回调函数来观察训练过程中网络内部的状态和统计信息。通过传递回调函数列表到模型的.fit()中，即可在给定的训练阶段调用该函数集中的函数。
6.LSTM层
keras.layers.recurrent.LSTM(units, activation='tanh', recurrent_activation='hard_sigmoid', use_bias=True, kernel_initializer='glorot_uniform', recurrent_initializer='orthogonal', bias_initializer='zeros', unit_forget_bias=True, kernel_regularizer=None, recurrent_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, recurrent_constraint=None, bias_constraint=None, dropout=0.0, recurrent_dropout=0.0)
7.Lambda层
x = Lambda(lambda x:X[:,t,:])(X)
#相当于对后面的张量X执行函数，并返回之后的张量。
#eg：model.add(Lambda(lambda x: x ** 2))
8.LSTM层return_state：
return_state：默认false。当为真时，返回最后一层的最后一个步长的输出隐藏状态和输入单元状态。
