基于中文官方文档与英文官方文档的学习笔记，较系统的总结学习历程。
Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：
- 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
- 支持CNN和RNN，或二者的结合
- 无缝CPU和GPU切换
Keras的核心数据结构是“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。
# -*- coding: utf-8 -*-
"""
Created on Sun Jan 7 22:17:57 2018
Keras快速上手
@author: BruceWong
"""
#导入Sequential模型
import keras
from keras.models import Sequential,Model
## Generate dummy data
import numpy as np
x_train = np.random.random((1000, 20))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
x_test = np.random.random((100, 20))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
model = Sequential()
#model.add()
#将一些网络通过.add()堆叠起来，就构成一个完整的模型
from keras.layers import Dense,Activation
#model.add(Dense(units = 64,input_dim = 20)) #输入维度input_dim，指x数据的维度，列的数量
model.add(Dense(units = 64,input_shape = (20,)))#输入维度input_dim
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。
#完成编译后，在训练数据集上按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)
'''
#也可以手动一个个batch的数据送人网络中训练：
#model.train_on_batch(x_batch,y_batch)
'''
#随后可以对模型进行评估：
loss_and_metrics = model.evaluate(x_test,y_test,batch_size = 128)
#或者对新的数据进行预测：
classes = model.predict(x_test,batch_size = 128)