-
1.2.2 张量
-
0阶张量：标量，也就是一个数
-
1阶张量：就是一个向量
-
2阶张量：就是一个矩阵
-
3阶张量：可以表示为3个颜色通道的彩色图片
-
-
1.2.4 模型
- Keras 包含两种模型（不同版本叫法不同）
-
Sequential模型：序贯模型，单输入单输出模型
-
Graph，图模型：支持多输入多输出，就是 functional model API
-
- Keras 包含两种模型（不同版本叫法不同）
-
1.2.5 batch
-
遍历全部数据集算一次损失函数：计算开销大
-
一次一个数据：SGD，比较波动
-
mini-batch：为了克服两种方法的缺点，现在一般采用的是一种折中手段，mini-batch gradient decent，小批的梯度下降，这种方法把数据分为若干个批，按批来更新参数，这样，一个批中的一组数据共同决定了本次梯度的方向，下降起来就不容易跑偏，减少了随机性。另一方面因为批的样本数与整个数据集相比小了很多，所以计算量也不是很大。就是 keras 中的 batc_size。
-
-
2.1 卷积神经网络
-
feature map：特征图，就是经过卷积后生成的多层图，所有有多少个卷积核，就会生成多少个 feature maps
-
下采样层：Max Pooling 层
-
-
3 Keras 模型
-
compile(self, optimizer, loss, metrics=None, sample_weight_mode=None)：该方法编译用来配置模型的学习过程， 其参数有以下这些
-
optimizer：字符串（预定义优化器名） 或优化器对象，参考优化器。
-
loss：字符串（预定义损失函数名）或目标函数，参考损失函数。
-
metrics：列表，包含评估模型在训练和测试时的网络性能的指标，典型用法是 metrics=['accuracy']。
-
-
fit(self, x, y, batch_size=32, epochs=10, verbose=1, callbacks=None, validation_split=0.0, validation_data=No)：本函数将模型训练epoch轮， 其参数有
-
x：输入数据。如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array。
-
y： 标签向量，numpy array类型。
-
batch_size： 整数， 指定进行梯度下降时每个batch包含的样本数。 训练时一个batch的样本会被计算一次梯度下降， 使目标函数优化一步。
-
epochs： 训练的轮数， 每个epoch会把训练集轮一遍。
-
verbose： 日志显示， 0为不在标准输出流输出日志信息， 1为输出进度条记录， 2为每个epoch输出一行记录。
-
callbacks： list， 其中的元素是keras.callbacks.Callback的对象。 这个list中的回调函数将会在训练过程中的适当时机被调用， 参考回调函数。
-
validation_split： 0~1之间的浮点数， 用来指定训练集的一定比例数据作为验证集。 注意， validation_split的划分在shuffle之前， 因此如果你的数据本身是有序的， 需要先手工打乱再指定validation_split， 否则可能会出现验证集样本不均匀。
-
validation_data： 形式为（X， y） 的tuple， 是指定的验证集。 此参数将覆盖validation_spilt参数。
-
shuffle： 布尔值或字符串， 一般为布尔值， 表示是否在训练过程中随机打乱输入样本的顺序。 若为字符串“batch”， 则是用来处理HDF5数据的特殊情况， 它将在batch内部将数据打乱。
-
initial_epoch: 从该参数指定的epoch开始训练， 在继续之前的训练时有用。
-
fit函数返回一个History的对象， 其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况， 如果有验证集的话， 也包含了验证集的这些指标变化情况。
-
-
evaluate(self, x, y, batch_size=32, verbose=1, sample_weight=None)：本函数按batch计算在某些输入数据上模型的误差， 其参数有predict(self, x, batch_size=32, verbose=0)：本函数按batch获得输入数据对应的预测结果， 其中x是输入向量， batch_size是每批次选取的数据集数量。函数的返回值是预测值的numpy array。
-
x： 输入数据， 与fit一样， 是numpy array或numpy array的list。
-
y： 标签， numpy array。
-
batch_size： 整数， 含义同fit的同名参数。
-
verbose： 含义同fit的同名参数， 但只能取0或1。
-
本函数返回一个测试误差的标量值（ 如果模型没有其他评价指标） ， 或一个标量的list（ 如果模型还有其他的评价指标） 。 model.metrics_names将给出list中各个值的含义。
-
-
fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callbacks=None, validation_data=None)：利用Python的生成器， 逐个生成数据的batch并进行训练。 生成器与模型将并行执行以提高效率。 例如， 该函数允许我们在CPU上进行实时的数据提升， 同时在GPU上进行模型训练。函数的参数是
-
generator： 生成器函数， 生成器的输出应该为：
-
a) 一个形如（inputs， targets） 的tuple。
-
b) 一个形如（inputs, targets, sample_weight） 的tuple。 所有的返回值都应该包含相同数目的样本。 生成器将无限在数据集上循环。 每个epoch以经过模型的样本数达到samples_per_epoch时， 记一个epoch结束。
-
-
steps_per_epoch： 整数， 当生成器返回steps_per_epoch次数据时计一个epoch结束， 执行下一个epoch。
-
epochs： 整数， 数据迭代的轮数。
-
-