深度学习入门项目：用keras构建CNN或LSTM对Minist数据集做简单分类任务
参考keras中文文档
keras： 是一个高级神经网络库，用 Python 语言写成，可以运行在 TensorFlow 或者 Theano 之上（即以此为后端）。它关注快速试验和原型设计。理念是“以最短的时间将想法转换为结果是做好研究的关键”。
CNN架构：
loss优化函数：
多分类：类别交叉熵（categorical_crossentro py）
二分类：二进制交叉熵损失函数（binary cross-entropy）
其中conv2d表示执行卷积，maxpooling2d表示执行最大池化，Activation表示特定的激活函数类型，Flatten层用来将输入“压平”，用于卷积层到全连接层的过渡，Dense表示全连接层
例如在手势识别中左上角是存储在训练集X_train[0]的手写体图像‘5’，y_train[0]表示对应的标签‘5’。
你如何知道你的模型是否欠拟合？
如果你的验证集的准确度高于训练集，那就是模型欠拟合。此外如果整个模型表现得不好，也会被称为欠拟合。例如使用线性模型进行图像识别通常会出现欠拟合的结果。
也有可能是 Dropout（Dropout）的原因导致你在深层神经网络中遇到欠拟合的情况。
Dropout在模型训练时随机将部分激活函数设置为零（让网络某些隐含层节点的权重不工作），以避免过拟合。 这种情况一般不会发生在验证/测试集的预测中，如果发生，你可以移除 Dropout来解决。如果模型现在出现大规模的过拟合，你可以开始添加小批量的 Dropout。
LSTM架构：
首先说明一点：LSTM输入层其数据要求必须是3D即需要先进行数据处理
常见方法引入Numpy中的数组，然后形成元组，之后进行reshape维度变换达到3D效果
LSTM（）层必须指定输入的形状。而且每个LSTM层的输入必须是三维的。
这输入的三个维度是：
样本一个序列是一个样本。批次由一个或多个样本组成。
时间步长。一个时间步代表样本中的一个观察点。
特征。一个特征是在一个时间步长的观察得到的。
这意味着输入层在拟合模型时以及在做出预测时，对数据的要求必须是3D数组，即使数组的特定维度仅包含单个值。当定义LSTM网络的输入层时，网络假设你有一个或多个样本，并会给你指定时间步长和特征数量。你可以通过修改“ input_shape ”的参数修改时间步长和特征数量。