1.fit_generator
解析：fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_q_size=10, workers=1, pickle_safe=False, initial_epoch=0)。其中，validation_steps表示当validation_data为生成器时，本参数指定验证集的生成器返回次数。
2.deque
解析：双端队列。
3.LSTM层
解析：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)。如下所示：
（1）units：输出维度。
（2）dropout：0-1之间的浮点数，控制输入线性变换的神经元断开比例。
（3）input_dim：输入维度，当使用该层为模型首层时，应指定该值（或等价的指定input_shape）。
（4）return_sequences：如果return_sequences=True，返回形如（samples，timesteps，output_dim）的3D张量，否则返回形如（samples，output_dim）的2D张量。
4.Dropout层
解析：keras.layers.core.Dropout(rate, noise_shape=None, seed=None)。为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时按一定概率（rate）随机断开输入神经元，Dropout层用于防止过拟合。如下所示：
（1）rate：0-1的浮点数，控制需要断开的神经元的比例。
（2）noise_shape：整数张量，为将要应用在输入上的二值Dropout mask的shape，比如输入为(batch_size, timesteps, features)，并且希望在各个时间步上的Dropout mask都相同，则可传入noise_shape=(batch_size, 1, features)。
（3）seed：整数，使用的随机数种子。
5.tf.nn.max_pool
解析：max_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)
6.tf.nn.pool
解析：pool(input,window_shape,pooling_type,padding,dilation_rate=None,strides=None,name=None,data_format=None)
7.tf.trainable_variables和tf.all_variables
解析：
（1）tf.trainable_variables返回的是需要训练的变量列表。
（2）tf.all_variables返回的是所有变量的列表。
8.pickle.load
解析：
with open('file_name', 'rb') as pickle_file:
data = pickle.load(pickle_file)
9.checkpoint
解析：
（1）.meta文件保存了当前图结构。
（2）.index文件保存了当前参数名。
（3）.data文件保存了当前参数值。
10.tf.train.get_checkpoint_state
解析：get_checkpoint_state(checkpoint_dir,latest_filename=None)，如下所示：
（1）checkpoint_dir: The directory of checkpoints.
（2）latest_filename: Optional name of the checkpoint file. Default to ‘checkpoint’.
11.tf.train.Saver
解析：
（1）save(sess,save_path,global_step=None,…,write_meta_graph=True,write_state=True)
（2）restore(sess,save_path)：restores previously saved variables.
12.tf.gfile.FastGFile
解析：__init__(name,mode=’r’)：File I/O wrappers without thread locking.
13.tf.train.latest_checkpoint
解析：latest_checkpoint(checkpoint_dir,latest_filename=None)，如下所示：
（1）checkpoint_dir: Directory where the variables were saved.
（2）latest_filename: Optional name for the protocol buffer file that contains the list of most recent checkpoint filenames. See the corresponding argument to Saver.save().
14.graph.get_tensor_by_name(name)
解析：name表示tensor的名字。
15.tf.global_variables_initializer
解析：an Op that initializes global variables in the graph.
16.tf.name_scope与tf.variable_scope
解析：
（1）tf.name_scope主要用于管理一个图里面的各种op，返回的是一个以scope_name命名的context manager。一个graph会维护一个name_space的堆，每一个namespace下面可以定义各种op或者子namespace，实现一种层次化有条理的管理，避免各个op之间命名冲突。
（2）tf.variable_scope一般与tf.name_scope()配合使用，用于管理一个graph中变量的名字，避免变量之间的命名冲突，tf.variable_scope允许在一个variable_scope下面共享变量。
说明：tf.variable_scope用于变量，tf.name_scope用于操作。
17.f.keras.preprocessing.image.load_img
解析：
load_img(path,grayscale=False,target_size=None)：loads an image into PIL format。如下所示：
（1）path: Path to image file.
（2）grayscale: Boolean, whether to load the image as grayscale.
（3）target_size: Either None (default to original size) or tuple of ints (img_height, img_width).
18.Dropout层
解析：keras.layers.core.Dropout(rate, noise_shape=None, seed=None)。为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时按一定概率（rate）随机断开输入神经元，Dropout层用于防止过拟合。如下所示：
（1）rate：0-1的浮点数，控制需要断开的神经元的比例。
（2）noise_shape：整数张量，为将要应用在输入上的二值Dropout mask的shape，例如输入为(batch_size, timesteps, features)，并且希望在各个时间步上的Dropout mask都相同，则可传入noise_shape=(batch_size, 1, features)。
（3）seed：整数，使用的随机数种子。
19.TimeDistributed包装器
解析：keras.layers.wrappers.TimeDistributed(layer)，该包装器可以把一个层应用到输入的每一个时间步上。其中，layer表示Keras层对象。使用TimeDistributed包装Dense严格等价于layers.TimeDistribuedDense。不同的是包装器TimeDistribued还可以对别的层进行包装，比如对Convolution2D包装。
20.Bidirectional包装器
解析：keras.layers.wrappers.Bidirectional(layer, merge_mode=’concat’, weights=None)，双向RNN包装器。如下所示：
（1）layer：Recurrent对象。
（2）merge_mode：前向和后向RNN输出的结合方式，为sum，mul，concat，ave和None之一，若设为None，则返回值不结合，而是以列表的形式返回。
21.set_image_dim_ordering
解析：set_image_dim_ordering(dim_ordering)，sets the value of the image dimension ordering convention (‘th’ or ‘tf’)。如下所示：
>>> from keras import backend as K
>>> K.image_dim_ordering()
'th'
>>> K.set_image_dim_ordering('tf')
>>> K.image_dim_ordering()
'tf'
22.Conv2D层中的SAME和VALID
解析：
（1）SAME
out_height = ceil(float(in_height) / float(strides[1]))，out_width = ceil(float(in_width) / float(strides[2]))
（2）VALID
out_height = ceil(float(in_height - filter_height + 1) / float(strides[1]))，out_width = ceil(float(in_width - filter_width + 1) / float(strides[2]))
23.EarlyStopping
解析：keras.callbacks.EarlyStopping(monitor=’val_loss’, patience=0, verbose=0, mode=’auto’)，当监测值不再改善时，该回调函数将中止训练。如下所示：
（1）monitor：需要监视的量。
（2）patience：当early stop被激活（比如发现loss相比上一个epoch训练没有下降），则经过patience个epoch后停止训练。
（3）verbose：信息展示模式。
（4）mode：”auto”，”min”，”max”之一，在min模式下，如果检测值停止下降则中止训练。在max模式下，当检测值不再上升则停止训练。
24.CSVLogger
解析：keras.callbacks.CSVLogger(filename, separator=’,’, append=False)。将epoch的训练结果保存在csv文件中，支持所有可被转换为string的值，包括1D的可迭代数值如np.ndarray。如下所示：
（1）fiename：保存的csv文件名，比如run/log.csv。
（2）separator：字符串，csv分隔符。
（3）append：默认为False，为True时csv文件如果存在则继续写入，为False时总是覆盖csv文件。
25.目标函数
解析：model.compile(loss=’mean_squared_error’, optimizer=’sgd’)。比如，多类对数损失categorical_crossentropy，注意使用该目标函数时，需要将标签转化为形如(nb_samples, nb_classes)的二值序列。
参考文献：
[1] Visualizing MNIST：An Exploration of Dimensionality Reduction：http://colah.github.io/posts/2014-10-Visualizing-MNIST/
[2] Keras图像深度学习实战：http://www.ituring.com.cn/book/tupubarticle/16624
[3] Tensorflow加载预训练模型和保存模型：http://blog.csdn.net/huachao1001/article/details/78501928