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Keras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。
本章主要是Keras之父自己的一个小广告，讲的是Keras函数接口的用法。
本章知识点：
Sequential和Inception
Sequential API 适用于简单的线性层堆叠的网络。Inception适用多个并行的分支处理，多种不同模型合并起来进行预测，如多头和多输入。
残差连接
所谓残差连接，基本就是和LSTM网络本质是一样的，残差连接的概念是，让前面某层的输出，作为后面某层的输入，使得前面的输出没有和相邻的激活层连接，而是和后面的激活层叠加（这里要求输出形状相同，如果前面的输出和后面的激活层形状不同，通过一个线性变换使得形状相同），这就好像上篇文章中介绍的LSTM网络中时间轴方向上的数据传送通道。为什么有残差连接这种东西呢，本质上是为了解决深度学习的两个共性问题。见下文。
深度学习的共性问题：梯度消失，表示瓶颈
深度学习有两个瓶颈问题：梯度消失（爆炸），表示瓶颈
梯度消失：原因有很多，比如网络层次越来越深，前方的误差值在传递过程中越来越小，后面的网络已经无法感知前方的误差。可以参考这篇文章：https://www.jianshu.com/p/09643588f373
表示瓶颈:在Sequential模型中，层与层之间时线性堆叠的，每个连续表示层都是建立在前一层之上，因此如果其中某一层特征维度太低，那么模型将会受限于该层激活中能够塞入多少信息，这一层就是信息瓶颈。
对于上述两种问题，使前面某层的输入直接跳到后面某层，即可以有效地避开表示瓶颈层，又可以减少因为多次求导而造成的梯度消失的问题。这就是残差连接的意义。
Keras框架的常用函数参数
callbacks：这个函数可以随时访问网络的训练状态，随时获得当前网络训练的各种参数，以便后续调整模型。
ModelCheckpoint：保存网络训练过程中的参数，训练出来的网络权重
EarlyStopping：如果模型性能不再有提升，终止训练
ReduceLROnPlateau：监控模型验证损失数据，验证损失不再降低的时候，调整学习率大小跳出局部最优。
TensorBoard：一个Tensorflow的可视化IDE，了解即可
Keras提升性能和优化的几种方法
1.数据标准化：使得网络模型看到的不同数据样本之间更加相似，利于对新数据的泛化
2.批标准化：训练时在内部保存已读取每批数据均值和方差的指数移动平均值。效果是有助于梯度传播，类似残差连接，允许更深的网络深度。
3.超参数优化
4.多模型集成
