本系列文章是对《Python深度学习》这本书阅读过程中，提炼出来的读书笔记。
《Python深度学习》这本书的作者是Kreas之父，也是Tensorflow框架的贡献者，本书的特点是，作者从一个编程学习者的角度来描述机器学习，而不是堆上来复杂的数学公式和函数变换。所有的数学理论或者公式，都用程序的方式描述出来，对于没有数学功底的开发者来说是一个很大的福利。不过当然，后期还是离不开数学，但作为入门来说这本书就相当的好了。
本章主要讲的是深度学习模型中的模块和概念，以及如何用程序构建一个深度学习框架，比如：
1.什么是神经网络的“层”
层的核心本质是权重，权重也就是一组通过训练得到的数字组合，或者说向量数据。相邻的层之间要互相兼容，也就是相邻层的权重所构成的向量的维度，是要互相对应的。什么叫互相对应？就是下一层的输入张量结构要对应上一层的输出张量结构。
2.怎么用代码定义一个中间层
目前提到的基本就是全连接Dense层，也就是全连接曾，或者密集层。属于初级的层。
layer = layers.Dense(32,input_shape(16,))
上述代码就定义了一个Dense全连接层，这个层描述的是接受一个输入维度为（16，***第二个维度无限制）的张量，输出的是一个（16,32）的张量。
3.一个深度学习模型都要配置什么功能
模型中比较重要的配置还有损失函数和优化器，损失函数也叫目标函数，用于计算当前结果和期望值之间的差距，即损失。优化器则决定了，基于损失函数算出来的损失值，如何通过修改权重使得损失值越来越小。模型的优化器一般都是基于梯度下降（SGD）的某个变体。
4.用Kreas开发一个深度网络的流程
粗略来说就是
(1)定义数据:包括数据的收集，标准化，归一化，补全，清洗，切片等
(2)定义网络模型：对于不同场景的数据，选择不同的网络模型进行训练，下一章节会有一个对应列表，列出常用的数据分析场景对应的网络模型选区方法。
(3)配置模型：包括损失函数，优化器，监控器，网络神经节点数量，训练迭代次数等。
(4)调用fit()函数来训练网络：一切都配置好了，就交给fit()函数来训练吧。
5.还有一些小知识点，关于神经网络的常用参数
除了构建模型，还要优化模型，这就要通过获取模型训练过程中返回的数据，对模型进行针对性的优化了，主要是通过调整模型参数或者增减层的规模。
6.最后给出了一个简单的神经网络代码的模板
就不手打了，看纸质笔记吧，红笔标注的是每个参数的意义
