使用Keras构建神经网络的基本工作流程主要可以分为 4个部分。（而这个用法和思路，很像是在使用Scikit-learn中的机器学习方法）
Model definition → Model compilation → Training → Evaluation and Prediction
1、首先执行构建模型的
第一步，即Model Definition：
这一步的作用就是定义NN中的层次结构。为此要引入两个重要的类，Sequential和Dense。
from keras.models import Sequential
from keras.layers import Dense
（1）Sequential是Keras中构建NN最常用的一种Model（也是最简单的一种），一个Sequential的Model 就是 a linear stack of layers，也就是说，你只要按顺序（使用add()方法）一层一层地顺序地添加神经网络层就可以了。
（2）Dense表示全连接层，此时它需要接收两个参数，即输入的节点数及输出的节点数，特别地，在一层一层地构建NN时，Keras还可以根据上一层的输出来推断下一次的输入，所以有些全连接层参数可以省略。
在这个简单的例子中，我们的全连接层只有一层，而且输入的节点数和输出的节点数都为1，所以有：
model = Sequential()
model.add(Dense(output_dim = 1, input_dim = 1))
2、接下来执行构建模型的
第二步，即Model compilation：
这一步是要指定模型中的loss function（在这例子中使用的是最小二乘误差‘mse’），优化器以及metrics等内容。优化器你可以使用系统提供的默认优化器，例如你可以像下面这样用'sgd'表示随机梯度下降。
model.compile(loss='mse', optimizer='sgd')
也可以像下面这样自定义优化器中的参数：
from keras.optimizers import SGD
model.compile(loss='mse', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))
3、接下来执行构建模型的
第三步，即 Training：
有两个选择：
（1）第一种直接使用fit，这个简直和Scikit-learn中的感觉像极了！你只要在fit方法的参数列表中指定训练数据（特征向量和label）、训练的次数和用来做梯度下降的batch size就可以了。
model.fit(x_train, y_train, epochs=100, batch_size=64)
（2）另外一个选择是你也可以采用下面的语法来feed batches to your model manually：
model.train_on_batch(x_batch, y_batch)
例如在本例中你可以把训练部分写成下面这种形式，其中每20步，我们会输出一次cost。
print('Training -----------')
for step in range(100):
cost = model.train_on_batch(X_train, Y_train)
if step % 20 == 0:
print('train cost: ', cost)
4、最后进入
Evaluation and Prediction的部分了。对于之前预留的测试集来说，你可以使用：
cost = model.evaluate(X_test, Y_test, batch_size=40)
5、
【Reference】
1、https://blog.csdn.net/baimafujinji/article/details/78384792