keras常用语法
Sequential模型
Keras一般用Sequential模型做为搭建神经网络的开始，本节简要论述Sequential模型接口的主要使用方法。
add(self,layer)
用途：向模型中添加一个层。
参数layer是Layer对象，也即是层。
pop(self)
用途：弹出模型最后的一层，无返回值，该方法一般很少用到。
compile(self,optimizer,loss,metrics=None,sample_weight_mode=None)
该方法编译用来配置模型的学习过程，其参数有以下这些：
- optimizer：字符串（预定义优化器名）或优化器对象，参考优化器。
- loss：字符串（预定义损失函数名）或目标函数，参考损失函数。
- metrics：列表，包含评估模型在训练和测试时的网络性能的指标，典型用法是 metrics=[‘accuracy’]。
- sample_weight_mode：如果你需要按时间步为样本赋权（2D权矩阵），将该值设
为“temporal”。默认为“None”，代表按样本赋权（1D权）。 - kwargs：使用TensorFlow作为后端请忽略该参数，若使用Theano作为后端，kwargs的 值将会传递给K.function。
model=Sequential()
model.add(Dense(32,input_shape(500,)))
model.add(Dense(10,activation='softmax'))
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',metrics=['accuracy'])
该例子添加两个Dense层，并用rmsprop优化器进行优化，损失函数定义为
categorical_crossentroy，各种损失函数的含义在后面章节中会提高。
模型在使用前必须编译，否则在调用fit或evaluate时会抛出异常。
fit(self,x,y,batch_size=32,epochs=10,verbose=1,callbacks=None,validation_split=0.0,val）
.
本函数将模型训练epoch轮，其参数有：
- x：输入数据。如果模型只有一个输入，那么x的类型是numpyarray，如果模型有多
个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpyarray。 - y：标签向量，numpyarray类型。
- batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的
样本会被计算一次梯度下降，使目标函数优化一步。 - epochs：训练的轮数，每个epoch会把训练集轮一遍。
- verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录。
- callbacks：list，其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数
- validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。注意，validation_split的划分在shuffle之前，因此如果你的数据本身是有序的，需要先手工打乱再指定validation_split，否则可能会出现验证集样本不均匀。
- validation_data：形式为（X，y）的tuple，是指定的验证集。此参数将覆盖validation_spilt参数。
- shuffle：布尔值或字符串，一般为布尔值，表示是否在训练过程中随机打乱输入样本的顺序。若为字符串“batch”，则是用来处理HDF5数据的特殊情况，它将在batch内部将数据打乱。
- class_weight：字典，将不同的类别映射为不同的权值，该参数用来在训练过程中调整损失函数（只能用于训练）。
- sample_weight：权值的numpyarray，用于在训练时调整损失函数（仅用于训练）。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为<samples，sequence_length>的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了
sample_weight_mode=‘temporal’。 - initial_epoch:从该参数指定的epoch开始训练，在继续之前的训练时有用。
fit函数返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标变化情况。
/