原文查阅“keras中文文档”
一、符号计算（拼管子）
keras底层库使用theano或TensorFlow，这两个库也成为keras后端。
符号主义的计算：
（1）定义各种变量，建立一个“计算图”，计算图规定变量之间的计算关系。
（2）编译、确定内部细节（此时计算图只是空壳子，没有任何实际数据。只有把运算输入放进去、方能在整个模型中形成数据流，形成输出值）。
二、张量（tensor）
张量：表示广泛的数据类型。
0阶张量：规模最小，即标量；
1阶张量：（向量），把一些有序的数排列起来；
2阶张量：（矩阵），继续把一组向量有序排列起来；
3阶张量：（例如3颜色通道的彩色图片的立方体），把矩阵摞起来。
.......
张量的阶数/轴：axis，
例如：[[1,2],[3,4]]：沿着第0个轴，看到[1,2]、[3,4]两个向量；
沿着第1个轴，看到[1,3]、[2,4]两个向量。
三、data_format
如何表示一组彩色图片的问题：
（1）'th'模式：即Theano模式，把100张RGB三通道的16*32的彩色图表示为（100,3,16,32）,Caffe同；
（2）TensorFlow模式：表示为（100,16,32,3），即把通道维数放在了最后，“channel_last”。
四、函数式模型
（1）序贯模型（Sequential）单输入单输出。
一条路通到底，层与层之间只有相邻关系，跨层没有连接。
（2）图模型（Graph）支持多输入多输出。
层之间自由连接。
在keras1、2中，移除图模型，增加“functional model API”
五、batch
深度学习的优化算法：即梯度下降。参数更新的两种方式：
（1）遍历全部数据集，计算一次损失函数：即批梯度下降；
（2）每看一个数据就计算一下损失函数，求梯度更新参数：即随机梯度下降；
（3）折中方法：分成若干批，按照批来更新参数，mini-batch gradient decent：即小批的梯度下降。基本上目前的梯度下降都是基于mini-batch，即经常出现的batch_size。
PS：keras中的优化器SGD：stochastic gradient descent，基于mini-batch。
六、epochs
训练过程中，数据将被轮多少次。
2018/05/18