（一）to_categorical
说明：
简单来说，to_categorical就是将类别向量转换为二进制（只有0和1）的矩阵类型表示。其表现为将原有的类别向量转换为独热编码的形式。
例子：
from keras.utils.np_utils import * #类别向量定义 b = [0,1,2,3,4,5,6,7,8] #调用to_categorical将b按照9个类别来进行转换 b = to_categorical(b, 9) print(b) 执行结果如下： [[1. 0. 0. 0. 0. 0. 0. 0. 0.] [0. 1. 0. 0. 0. 0. 0. 0. 0.] [0. 0. 1. 0. 0. 0. 0. 0. 0.] [0. 0. 0. 1. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 1. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 1. 0. 0. 0.] [0. 0. 0. 0. 0. 0. 1. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 1. 0.] [0. 0. 0. 0. 0. 0. 0. 0. 1.]]
to_categorical最为keras中提供的一个工具方法，从以上代码运行可以看出，将原来类别向量中的每个值都转换为矩阵里的一个行向量，从左到右依次是0,1,2，...8个类别。2表示为[0. 0. 1. 0. 0. 0. 0. 0. 0.]，只有第3个为1，作为有效位，其余全部为0。
（二）Sequential
说明：
顺序模型是多个网络层的线性堆叠。
原型：
Sequential()
例子：
from keras.models import Sequential from keras.layers import Dense, Activation model = Sequential([ Dense(32, input_shape=(784,)), Activation('relu'), Dense(10), Activation('softmax'), ])
or
model = Sequential() model.add(Dense(32, input_dim=784)) model.add(Activation('relu'))
（三）Convolution2D
说明：
该层创建了一个卷积核， 该卷积核对层输入进行卷积， 以生成输出张量。 如果 use_bias 为 True， 则会创建一个偏置向量并将其添加到输出中。 最后，如果 activation 不是 None，它也会应用于输出。
当使用该层作为模型第一层时，需要提供 input_shape 参数 （整数元组，不包含样本表示的轴），例如， input_shape=(128, 128, 3) 表示 128x128 RGB 图像， 在 data_format="channels_last" 时。
原型：
keras.layers.Conv2D( filters, #卷积核的数目（即输出的维度） kernel_size, #卷积核的宽度和长度。 strides=(1, 1), #为卷积的步长。 padding='valid', #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。 data_format=None, #激活函数。如果不指定该参数，将不会使用任何激活函数 dilation_rate=(1, 1), #指定dilated convolution中的膨胀比例。 activation=None, #字符串，“channels_first”或“channels_last”之一，代表图像的通道维的位置。“channels_last”对应原本的“tf”，“channels_first”对应原本的“th”。以128x128的RGB图像为例，“channels_first”应将数据组织为（3,128,128），而“channels_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channels_last”。 use_bias=True, #布尔值，是否使用偏置项 kernel_initializer='glorot_uniform',#权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器。 bias_initializer='zeros', #权值初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的初始化器 kernel_regularizer=None, #施加在权重上的正则项，为Regularizer对象 bias_regularizer=None, #施加在偏置向量上的正则项，为Regularizer对象 activity_regularizer=None, #施加在输出上的正则项，为Regularizer对象 kernel_constraint=None, #施加在权重上的约束项，为Constraints对象 bias_constraint=None)#施加在偏置上的约束项，为Constraints对象
例子：
model.add(Convolution2D( input_shape = (28,28,1),#当使用该层作为模型第一层时，需要提供 input_shape 参数 （整数元组，不包含样本表示的轴）， filters = 32,#卷积核的数目（即输出的维度） kernel_size = 5,#卷积核的宽度和长度。 strides = 1,#为卷积的步长。 padding = 'same',#“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。 activation = 'relu'#激活函数。如果不指定该参数，将不会使用任何激活函数 ))
（四）MaxPooling2D
说明：
对于空间数据的最大池化。
原型：
keras.layers.MaxPooling2D( pool_size=(2, 2), #池化窗口大小 strides=None, #池化步长，默认值等于 pool_size padding='valid', #VALID' 或 'SAME'，'VALID'表示无填充，'SAME'表示用0填充 data_format=None)#表示输入张量的维度顺序，默认为 [batch, height, width, channel]
例子：
model.add(MaxPooling2D( pool_size = 2,#池化窗口大小 strides = 2,#池化步长，默认值等于 pool_size padding = 'same',#'SAME'表示用0填充 ))
（五）Flatten
说明：
将输入展平。不影响批量大小。
原型：
keras.layers.Flatten( data_format=None)#data_format：一个字符串，其值为 channels_last（默认值）或者 channels_first。它表明输入的维度的顺序。
例子：
model = Sequential() model.add(Conv2D(64, (3, 3), input_shape=(3, 32, 32), padding='same',)) # 现在：model.output_shape == (None, 64, 32, 32) model.add(Flatten()) # 现在：model.output_shape == (None, 65536)
（六）Dense
说明：
全连接层。
原型：
keras.layers.Dense( units, #代表该层的输出维度或神经元个数, activation=None, #激活函数.但是默认 liner use_bias=True, #布尔值，该层是否使用偏置向量b kernel_initializer='glorot_uniform', #初始化w权重 bias_initializer='zeros', #初始化b权重 kernel_regularizer=None, #施加在权重w上的正则项 bias_regularizer=None, #施加在偏置向量b上的正则项 activity_regularizer=None, #施加在输出上的正则项 kernel_constraint=None, #施加在权重w上的约束项 bias_constraint=None)#施加在偏置b上的约束项
例子：
# 作为 Sequential 模型的第一层 model = Sequential() model.add(Dense(32, input_shape=(16,))) # 现在模型就会以尺寸为 (*, 16) 的数组作为输入， # 其输出数组的尺寸为 (*, 32) # 在第一层之后，你就不再需要指定输入的尺寸了： model.add(Dense(32))
（七）Dropout
说明：
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。
原型：
keras.layers.Dropout( rate, #在 0 和 1 之间浮动。需要丢弃的输入比例。 noise_shape=None, #1D 整数张量， 表示将与输入相乘的二进制 dropout 掩层的形状。 seed=None)#一个作为随机种子的 Python 整数。
例子：
model.add(Dropout(0.5))
（八）优化器Adam
说明：
Adam 优化器。
默认参数遵循原论文中提供的值。
原型：
keras.optimizers.Adam( lr=0.001, #学习率 beta_1=0.9, # 0到1之间，一般接近于1 beta_2=0.999, #0到1之间，一般接近于1，和beta_1一样，使用默认的就好 epsilon=None, #模糊因子，如果为空，默认为k.epsilon() decay=0.0, #每次参数更新后学习率的衰减值（每次更新时学习率下降） amsgrad=False)#布尔型，是否使用AMSGrad变体
例子：
adam = Adam(learning_rate=1e-4)