Keras的核心数据是“模型”，模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型，Sequential是一系列网络层按顺序构成的栈。
Sequential模型如下：
from Keras.models import Sequential model = Sequential()
将网络层通过.add()堆叠起来，就构成了一个模型：
from Keras.layers import Dense, Activation model.add(Dense(units=64, input_dim=100)) model.add(Activation("relu")) model.add(Dense(units=10)) model.add(Activation("softmax"))
完成模型的搭建后，我们需要使用.compile()方法来编译模型：
model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])
编译模型时必须指明损失函数和优化器，如果你需要的话，也可以自己定制损失函数。Keras的一个核心理念就是简明易用的同时，保证用户对Keras的绝对控制力度，用户可以根据自己的需要定制自己的模型、网络层，甚至修改源代码。
from Keras.optimizers import SGD model.compile(loss='categorical_crossentropy',optimizer=SGD(lr=0.01,momentum=0.9,nesterov=True))
完成模型的编译后，我们在训练数据上按batch进行一定次数的迭代来训练网络
model.fit(x_train,y_train,epochs=5,batch_size=32)
当然，我们也可以动手将一个个batch的数据送入网络中训练，这时候需要使用：
model.train_on_batch(x_batch,y_batch)
随后，我们可以使用一行代码来对我们的模型进行评估，看看模型的指标是否满足我们的要求：
loss_and_metrics = model.evaluate(x_test , y_test , batch_size=128)
或者，我们可以使用我们的模型对新的数据进行预测
classes = model.predict(x_test , batch_size=128)
搭建一个问答系统、图像分类模型、或神经图灵机、word2vec词嵌入器就是这么快。支撑深度学习的基本想法本就是简单的。