compile(self, optimizer, loss, metrics=None, sample_weight_mode=None,weighted_metrics=None, target_tensors=None)

用于配置训练模型。
参数
• optimizer: 字符串（优化器名）或者优化器对象。详见 optimizers。
• loss: 字符串（目标函数名）或目标函数。详见 losses。如果模型具有多个输出，则可以通过传递损失函数的字典或列表，在每个输出上使用不同的损失。模型将最小化的损失值将
是所有单个损失的总和。
• metrics: 在训练和测试期间的模型评估标准。通常你会使用 metrics = [‘accuracy’]。要为多输出模型的不同输出指定不同的评估标准，还可以传递一个字典，如 metrics ={‘output_a’：‘accuracy’}。
• sample_weight_mode: 如果你需要执行按时间步采样权重（2D 权重），请将其设置为temporal。默认为 None，为采样权重（1D）。如果模型有多个输出，则可以通过传递 mode的字典或列表，以在每个输出上使用不同的 sample_weight_mode。
• weighted_metrics: 在训练和测试期间，由 sample_weight 或class_weight 评估和加权的度量标准列表。
• target_tensors: 默认情况下，Keras 将为模型的目标创建一个占位符，在训练过程中将使用目标数据。相反，如果你想使用自己的目标张量（反过来说，Keras 在训练期间不会载入这些目标张量的外部 Numpy 数据），您可以通过 target_tensors 参数指定它们。它应该是单个张量（对于单输出 Sequential 模型）。

fit(self, x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None,validation_split=0.0, validation_data=None, shuffle=True, class_weight=None,sample_weight=None, initial_epoch=0,steps_per_epoch=None, validation_steps=None)

以固定数量的轮次（数据集上的迭代）训练模型。
参数
• x: 训练数据的 Numpy 数组。如果模型中的输入层被命名，你也可以传递一个字典，将输入层名称映射到 Numpy 数组。如果从本地框架张量馈送（例如 TensorFlow 数据张量）数据，x 可以是 None（默认）。
• y: 目标（标签）数据的 Numpy 数组。如果模型中的输出层被命名，你也可以传递一个字典，将输出层名称映射到 Numpy 数组。如果从本地框架张量馈送（例如 TensorFlow 数据张量）数据，y 可以是 None（默认）。
• batch_size: 整数或 None。每次提度更新的样本数。如果未指定，默认为 32.
• epochs: 整数。训练模型迭代轮次。一个轮次是在整个 x 或 y 上的一轮迭代。请注意，与initial_epoch 一起，epochs 被理解为「最终轮次」。模型并不是训练了 epochs 轮，而是到第 epochs 轮停止训练。
• verbose: 0, 1 或 2。日志显示模式。0 = 安静模式, 1 = 进度条, 2 = 每轮一行。
• callbacks: 一系列的 keras.callbacks.Callback 实例。一系列可以在训练时使用的回调函数。详见 callbacks。
• validation_split: 在 0 和 1 之间浮动。用作验证集的训练数据的比例。模型将分出一部分不会被训练的验证数据，并将在每一轮结束时评估这些验证数据的误差和任何其他模型指标。验证数据是混洗之前 x 和 y 数据的最后一部分样本中。
• validation_data: 元组 (x_val，y_val) 或元组 (x_val，y_val，val_sample_weights)，用来评估损失，以及在每轮结束时的任何模型度量指标。模型将不会在这个数据上进行训练。这个参数会覆盖validation_split。
• shuffle: 布尔值（是否在每轮迭代之前混洗数据）或者字符串 (batch)。batch 是处理 HDF5数据限制的特殊选项，它对一个 batch 内部的数据进行混洗。当 steps_per_epoch 非 None时，这个参数无效。
• class_weight: 可选的字典，用来映射类索引（整数）到权重（浮点）值，用于加权损失函数（仅在训练期间）。这可能有助于告诉模型「更多关注」来自代表性不足的类的样本。
• sample_weight: 训练样本的可选 Numpy 权重数组，用于对损失函数进行加权（仅在训练期间）。您可以传递与输入样本长度相同的平坦（1D）Numpy 数组（权重和样本之间的1：1 映射），或者在时序数据的情况下，可以传递尺寸为 (samples, sequence_length)的 2D 数组，以对每个样本的每个时间步施加不同的权重。在这种情况下，你应该确保在compile() 中指定 sample_weight_mode=“temporal”。
• initial_epoch: 开始训练的轮次（有助于恢复之前的训练）。
• steps_per_epoch: 在声明一个轮次完成并开始下一个轮次之前的总步数（样品批次）。使用TensorFlow 数据张量等输入张量进行训练时，默认值 None 等于数据集中样本的数量除以batch 的大小，如果无法确定，则为 1。
• validation_steps: 只有在指定了 steps_per_epoch 时才有用。停止前要验证的总步数（批次样本）。

返回
一个 History 对象。其 History.history 属性是连续 epoch 训练损失和评估值，以及验证集损失和评估值的记录（如果适用） 。

predict(self, x, batch_size=None, verbose=0, steps=None)

为输入样本生成输出预测。
输入样本逐批处理。
参数
• x: 输入数据，Numpy 数组。
• batch_size: 整数。如未指定，默认为 32。
• verbose: 日志显示模式，0 或 1。
• steps: 声明预测结束之前的总步数（批次样本）。默认值 None。
返回
预测的 Numpy 数组。

keras.layers.Dense(units, activation=None, use_bias=True,
kernel_initializer=‘glorot_uniform’, bias_initializer=‘zeros’,
kernel_regularizer=None, bias_regularizer=None,
activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

就是普通的全连接层。
Dense 实 现 以 下 操 作：output = activation(dot(input, kernel) + bias) 其 中activation 是按逐个元素计算的激活函数，kernel 是由网络层创建的权值矩阵，以及 bias 是其创建的偏置向量 (只在 use_bias 为 True 时才有用)。
• 注意: 如果该层的输入的秩大于 2，那么它首先被展平然后再计算与 kernel 的点乘。

参数
• units: 正整数，输出空间维度。
• activation: 激活函数 (详见 activations)。若不指定，则不使用激活函数 (即，“线性” 激活:a(x) = x)。
• use_bias: 布尔值，该层是否使用偏置向量。
• kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
• bias_initializer: 偏置向量的初始化器 (see initializers).
• kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
• bias_regularizer: 运用到偏置向的的正则化函数 (详见 regularizer)。
• activity_regularizer: 运用到层的输出的正则化函数 (它的 “activation”)。(详见 regularizer)。
• kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
• bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸:
nD 张量，尺寸: (batch_size, …, input_dim)。最常见的情况是一个尺寸为
(batch_size, input_dim) 的 2D 输入。
输出尺寸:
nD张量，尺寸: (batch_size, …, units)。例如，对于尺寸为(batch_size, input_dim)的 2D 输入，输出的尺寸为 (batch_size, units)。

keras.layers.Activation(activation)

将激活函数应用于输出。
参数
• activation: 要使用的激活函数的名称 (详见:hyperref[activations]activations)，或者选择一个 Theano 或 TensorFlow 操作。
输入尺寸:
任意尺寸。当使用此层作为模型中的第一层时，使用参数 input_shape （整数元组，不包括样本数的轴）。
输出尺寸:
与输入相同。

keras.layers.Dropout(rate, noise_shape=None, seed=None)

将 Dropout 应用于输入。
Dropout 包括在训练中每次更新时，将输入单元的按比率随机设置为 0，这有助于防止过拟合。

参数
• rate: 在 0 和 1 之间浮动。需要丢弃的输入比例。
• noise_shape: 1D 整数张量，表示将与输入相乘的二进制 dropout 掩层的形状。例如，如果你的输入尺寸为 (batch_size, timesteps, features)，然后你希望 dropout 掩层在所有时间步都是一样的，你可以使用 noise_shape=(batch_size, 1, features)。
• seed: 一个作为随机种子的 Python 整数。
参考文献
• Dropout: A Simple Way to Prevent Neural Networks from Overfitting

keras.layers.Flatten()

将输入展平。不影响批量大小。
例