- add
add(self, layer)
向模型中添加一个层
- compile 配置训练模型。
compile(self, optimizer, loss, metrics=None)
optimizer： 优化器，参考优化器
loss：损失函数，参考损失函数
metrics：评估模型在训练和测试时的网络性能的指标，典型用法是metrics=['accuracy']
- fit 训练模型的固定数量的时期（数据集上的迭代）。
it(self, x=None, y=None, batch_size=None, epochs=1, verbose=1, validation_data=None)
x：输入数据
y：标签
batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。
epochs：整数，训练终止时的epoch值，训练将在达到该epoch值时停止，如果未指定，默认为 32
verbose：0 为不在标准输出流输出日志信息，1 为输出进度条记录，2 为每个epoch输出一行记录
validation_data：验证数据集，用于在每个 epoch 验证 model 的效果
- evaluate 一批一批地计算输入数据的损失。
evaluate(self, x=None, y=None, batch_size=None, verbose=1)
x：输入数据
y：标签
batch_size：整数，训练终止时的epoch值，训练将在达到该epoch值时停止，如果未指定，默认为 32
verbose：0 为不在标准输出流输出日志信息，1 为输出进度条记录
- Dense
keras.layers.Dense(units, activation=None, use_bias=True)
Dense就是常用的全连接层，所实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激活函数，kernel是本层的权值矩阵，bias为偏置向量，只有当use_bias=True才会添加。
units：该层的神经元个数，大于0的整数，代表该层的输出维度。
activation：该层的激活函数，参考激活函数，如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）
use_bias: 布尔值，是否使用偏置项，默认为 True
- Conv2D
keras.layers.Conv2D(filters, kernel_size, activation=None, strides=(1, 1), padding='valid'）
二维卷积层，即对图像的空域卷积。该层对二维输入进行滑动窗卷积，当使用该层作为第一层时，应提供 input_shape 参数。例如input_shape = (128,128,3)代表128*128的彩色RGB图像（data_format='channels_last'）
filters：卷积核的数目（即输出的维度）
kernel_size：卷积核的尺寸
activation：该层的激活函数，参考激活函数，如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数：a(x)=x）
strides：单个整数或由两个整数构成的list/tuple，为卷积的步长。如为单个整数，则表示在各个空间维度的相同步长。
padding：补0策略，为“valid”, “same” 。“valid”代表只进行有效的卷积，即对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。
- MaxPooling2D
keras.layers.MaxPooling2D(pool_size=(2, 2), strides=None, padding='valid')
为空域信号施加最大值池化
pool_size：整数或长为2的整数tuple，代表在两个方向（竖直，水平）上的下采样因子，
strides：单个整数或由两个整数构成的list/tuple，为卷积的步长。如为单个整数，则表示在各个空间维度的相同步长。
padding：补0策略，为“valid”, “same” 。“valid”代表只进行有效的卷积，即对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。
- Dropout
keras.layers.Dropout(rate)
为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时按一定概率（rate）随机断开输入神经元，Dropout层用于防止过拟合。
rate：0~1的浮点数，控制需要断开的神经元的比例
- Flatten
keras.layers.Flatten()
Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。
