因为手上的一项任务需要使用当神经网络中的CNN模型，并对CNN根据任务进行一定的"改造"。故开始学习深度学习相关知识。
1.环境的搭建
由于LZ使用的式Ubuntu系统，所以在配置好python环境之后只需要配置相关的深度学习框架（尽量保证python的版本是3,因为tensorflow和python3的适配更好）；python环境配置相关方法可自行百度，非常简单。因为现目前常用的深度学习包以keras最火最为流行，故非常兴奋的就选择了从keras“人坑”。Keras是一种较高层次的深度学习框架，后端可以使用tensorflow或者theano。这里主要记录了LZ在Ubuntu上安装Keras+tensorflow的经历。
依次安装后端tensorflow，然后安装Keras框架。
- Ubuntu上直接 pip install tensorflow、pip install keras搞定。（LZ不是打广告，不过在linux操作系统上配置各种环境真的很方便）
- 测试。打开命令窗口进行import测试
- 注：注意自己tensorflow的版本，低级CPU是不适配高版本的tf的。
2.Keras相关
- Squential模型(序贯模型)，单一的输入输出，层与层之间只有邻接关系没有任何连接。编译速度快操作简单。
- Graph(图模型)，正好的Squential模型相反。多输入输出，层与层之间任意连接，编译速度快。
3.一些重要参数
1.batch
深度学习的优化算法主要就是梯度下降，batch就是不同的梯度下降策略;
第一种，传统的梯度下降算法，遍历所有数据集计算依次损失函数，然后计算所有参数的梯度进行参数更新，然后再计算损失更新梯度。这样的方式更新一次梯度就需要计算所有数据，计算开销大不支持在线学习。这样传统的梯度下降称为Batch Gradient Descent，批梯度下降;
第二种，每次看到一个数据集就计算一次损失函数，然后求梯度进行更新，这个称为随机梯度下降。这个方法速度快，但是可能出现结果不收敛的情况。
第三种，为了解决前面两种方式的缺点，利用一种折中的方式，mini-batch gradient descent，小批梯度下降，这种方式主要是将数据分为若干批，每次计算一批数据对应损失函数的梯度，这样减少流随机性保证了收敛，同时也降低了计算资源消耗。
注：现在基本上的梯度下降多是指mini-batch，keras中出现的batch-size就是指的这个。
2.epochs
简单来理解，这个参数就是指训练过程中要将训练数据‘轮’多少次；