DL with python(5)——Keras中的神经网络函数（简单）
本文涉及到的是中国大学慕课《人工智能实践：Tensorflow笔记》第三讲的内容，对keras框架搭建神经网络的几个函数进行简单介绍。
搭建网络结构——tf.keras.models.Sequential()
Sequential 函数是一个容器，描述了神经网络的网络结构，在函数的输入参数中描述从输入层到输出层的网络结构。
拉直层： tf.keras.layers.Flatten()
拉直层可以变换张量的尺寸，把输入特征拉直为一维数组，是不含计算参数的层。
全连接层： tf.keras.layers.Dense( 神经元个数,
activation=”激活函数”,
kernel_regularizer=”正则化方式”)
其中：
activation（字符串给出）可选 relu、softmax、sigmoid、tanh 等，kernel_regularizer 可选 tf.keras.regularizers.l1()、tf.keras.regularizers.l2()
卷积层： tf.keras.layers.Conv2D( filter = 卷积核个数,kernel_size = 卷积核尺寸,strides = 卷积步长,padding = “valid” or “same”)
LSTM 层： tf.keras.layers.LSTM()
本章只使用拉直层和全连接层，卷积层和循环神经网络层将在之后的章节介绍。
代码示例：
model = tf.keras.models.Sequential([
tf.keras.layers.Dense(3, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())
]) # 依次为神经元个数，激活函数，正则化方法
配置训练方法——model.compile
compile 用于配置神经网络的训练方法，设置训练时使用的优化器、损失函数和准确率评测标准，一共三个参数，如下：
Model.compile( optimizer = 优化器,
loss = 损失函数,
metrics = ['准确率'])
optimizer可以是字符串形式给出的优化器名字，也可以是函数形式 ，使用函数形式可以设置学习率、动量和超参数。可选项包括：
'sgd' or tf.optimizers.SGD( lr=学习率,decay=学习率衰减率,momentum=动量参数)
'adagrad' or tf.keras.optimizers.Adagrad(lr=学习率,decay=学习率衰减率)
'adadelta' or tf.keras.optimizers.Adadelta(lr=学习率,decay=学习率衰减率)
'adam' or tf.keras.optimizers.Adam (lr=学习率,decay=学习率衰减率)
loss 可以是字符串形式给出的损失函数的名字，也可以是函数形式。损失函数常需要经过 softmax 等函数将输出转化为概率分布的形式。from_logits 则用来标注该损失函数是否需要转换为概率的形式，取 False 时表示转化为概率分布，取 True 时表示没有转化为概率分布，直接输出。可选项包括：
'mse' or tf.keras.losses.MeanSquaredError()
'sparse_categorical_crossentropy' or tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)
metrics 标注网络评测指标，通过对输出值和实际值的比较给出最终的准确率。可选项包括：
'accuracy'：y_和 y 都是数值，如 y_=[1] y=[1]。
'categorical_accuracy'：y_和 y 都是以独热码和概率分布表示。
如 y_=[0, 1, 0], y=[0.256, 0.695, 0.048]。
'sparse_ categorical_accuracy'：y_是以数值形式给出，y 是以独热码形式给出。
如 y_=[1],y=[0.256, 0.695, 0.048]
执行训练——model.fit
执行训练，代码中的参数依次为训练集输入样本，训练集标签，小批量大小，训练轮次，测试集占比（这里是20%），测试的 epoch 间隔次数（这里指训练集循环20轮次进行一次测试）
model.fit(x_train, y_train, batch_size=32, epochs=500, validation_split=0.2, validation_freq=20)