Início rápido: 30 segundos para começar com Keras
A estrutura de dados central de Keras é o modelo, uma forma de organizar a camada de rede. O modelo mais simples é o modelo sequencial
sequencial, que é uma pilha de várias camadas de rede empilhadas linearmente. Para estruturas mais complexas, você deve usar a API funcional Keras,
que permite a construção de gráficos de rede neural arbitrários.
Sequential 顺序模型如下所示：
from keras.models import Sequential
model = Sequential()
from keras.layers import Dense
可以简单地使用 .add() 来堆叠模型：
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))
在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metrics=['accuracy'])
如果需要，你还可以进一步地配置你的优化器。Keras 的核心原则是使事情变得相当简单，
同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性）。
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))
# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
model.fit(x_train, y_train, epochs=5, batch_size=32)
或者，你可以手动地将批次的数据提供给模型：
model.train_on_batch(x_batch, y_batch)
只需一行代码就能评估模型性能：
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
或者对新的数据生成预测：
classes = model.predict(x_test, batch_size=128)