说明
学习过程期间参考的资料有：
[keras官方文档](https://keras.io/zh/)
http://keras-cn.readthedocs.io/
自己自学keras的前提是接触了部分机器学习的算法，而后接触到了深度学习中的神经网络部分，可能本教程需要更多的知识，如果遇到不懂的知识点，请自行bing或者Google。
keras是基于Python的深度学习库，兼容2和3，底层的依赖神经网络开源库可以是tensorflow，theano和CNTK。
它与tensorflow和theano一样，是一种基于符号运算的库。
所谓符号运算，自己的理解，就是在程序开始跑之前，需要对程序进行搭建，类似于工程中的蓝图，先要定义好各种变量，建立一个计算图，计算图规定了变量之间的计算关系，当等计算图搭建好之后，才可以输入数据，才会有输出值。
官方网站的比喻是，用管道搭建供水系统，在拼水管的过程，就是在搭建图的过程。
安装keras前需要安装依赖：
numpy,scipy,pyyaml
快速上手：
快速建立深度学习的神经网络模型：
搭建序列（序贯）模型：
from keras.models import Sequential #导入keras中的Sequential包
model=Sequential() #定义模型
from keras.layers import Dense,Activation #导入全连接层和激活函数
model.add(Dense(units=64,input_dim=100)) #构建输入层
model.add(Activation('relu')) #使用激活函数
model.add(Dense(units=10)) #对第一层的输出调用全连接，输出10类
model.add(Activation('softmax')) #调用激活函数来对数据进行分类
#在模型搭建好后，要对模型进行编译才能调用
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
#对模型进行编译，loss是模型训练时的损失函数，optimizer是模型使用的优化器，metrics是模型训练时的评估标准
编译完成后，要在训练的数据集上进行一定次数的迭代，为什么要多次迭代实验呢？通过按照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)
#这段代码中的epochs表示迭代次数，batch_size表示每一次迭代每一次输入层所抽取的数据量（不知道这样表达对不对？）
在完成模型的训练之后，需要来看我们的模型是否达到我们的要求：
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
或者说，通过我们训练出来的偶像，对新的数据进行预测：
classes = model.predict(x_test, batch_size=128)
batch的定义自己还不是很懂，查看官方文档。多查阅两次。