首先，使用Keras创建神经网络主要分为四部分：
1.定义训练测试数据：输入张量和目标张量。
2.定义网络（模型），将输入映射到目标。
3.配置学习过程：选择损失函数，优化器，和监控指标。
4.fit方法进行训练迭代。
5.evaluate测试。
6.predict评估。
基本过程：
1.定义数据：
2.定义网络：
1.Sequential类（层的线性堆叠）常用。
from keras import models
from keras import layers
model=models.Sequential()
model.add(layers.Dense(32,activation='relu',inpute_shape=(784,)))
（创建了一个层，只接受第一个维度大小为784 的 2D 张量（第0 轴是批量维度，其大小没有指定，因此可以任意取值）作为输入。这个层将返回一个张量，第一个维度的大小变成 了 32。 ）
（，逗号从外往里数）
model.add(layers.Dense(10, activation='softmax')) //10为类别，10维向量
//如果要对 N 个类别的数据点进行分类，网络的最后一层应该是大小为 N 的 Dense 层。
//对于回归问题来说，只需要为1，不需要进行softmax。
2.函数式API（有向无环图）.
3.配置学习过程：
model.compile(optimizer=optimizers.RMSprop(lr=0.001), / 或者：optimizer='rmsprop'
loss='mse'
metrics=['accuracy'] )
4.训练：
model.fit(input_tensor, target_tensor, batch_size=128, epochs=10)
5.测试：
results=model.evaluate(x_test,y_test)
6.预测：
model.predict(x_test)
具体选择：
简单的向量数据保存在 形状为 (samples, features) 的 2D 张量中，通常用密集连接层［densely connected layer，也 叫全连接层（fully connected layer）或密集层（dense layer），对应于Keras 的 Dense 类］来处理。序列数据保存在形状为 (samples, timesteps, features) 的 3D 张量中，通常用循环 层（recurrent layer，比如Keras 的 LSTM 层）来处理。图像数据保存在4D 张量中，通常用二维 卷积层（Keras 的 Conv2D）来处理。
损失函数：对于二分类问题，你可以使用二元交叉熵（binary crossentropy）损失函数；对于多分类问题，可以用分类交叉熵（categorical crossentropy）损失函数；对于回归 问题，可以用均方误差（mean-squared error）损失函数；对于序列学习问题，可以用联结主义 时序分类（CTC，connectionist temporal classification）损失函数。
无论你的问题是什么，rmsprop 优化器通常都是足够好的选择。
绘图小知识：
import matplotlib.pyplot as plt
import numpy as np
x=np.array([1,3,5,2,7])
y=np.array([2,5,7,9,0])
plt.clf() //清空图像
plt.plot(x,y,label='标签')
plt.title('测试')
plt.xlabel('横坐标')
plt.legend() //加图例
plt.show() //显示
无监督知识：
定义：在没有标签的情况下找到数据的变换。
主要是进行数据分析，降维和聚类都是无监督学习方法。（原理都为函数的映射）
机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。
聚类：K-means：随机选取初始点，计算距离，归类，再重新划分中心。重复。
强化学习：
智能体（agent）接收有关其环境的信息，并学会选择使某种奖励最大化的行为。
为什么不是两个集合：一个训练集和一个测试集？还需要验证集？
原因在于开发模型时总是需要调节模型配置，比如选择层数或每层大小［这叫作模型的超 参数（hyperparameter），以便与模型参数（即权重）区分开］。这个调节过程需要使用模型在验 证数据上的性能作为反馈信号。这个调节过程本质上就是一种学习：在某个参数空间中寻找良 好的模型配置。因此，如果基于模型在验证集上的性能来调节模型配置，会很快导致模型在验 证集上过拟合，即使你并没有在验证集上直接训练模型也会如此。 会导致在新的数据上出现错误。