【李宏毅ML笔记】 12 Keras Hello word
可以自己修改keras背后的TensorFlow相关的配置，程序，来做更灵活的事情。
keras（牛角）作者在谷歌工作，可能会作为谷歌神经网络api。
如下，
keras中先定义sequential的model，先决定set of function
然后搭积木，model中可以加一层layer，用add Dense()（这是fully connected layer），或者其它的形式。
并输入相关的参数（输入维度，输出维数）
定义Neuron中最后一步的**函数activation()，也可以自定义
可以继续加layer和**函数，隐层中，不需要加入input了，因为直接用的上一层的。
最后加一output layer层设置为输出的维数，以及**函数。
定义evaluation function，使用model.compile(loss, optimizer, metrics)
Step3.1配置，如下是Training部分，确定用什么样的方式找参数，找最好的方式。optimizer可以设置不同方式训练network，都是基于gradient descent方式。不同之处在于，有的方式会自动设置learning rate，各式各样的。
Step.3.2 配置完，就是给其训练数据data和label，设置具体训练计算过程如停止时间的参数。
具体的，先将xtrain，image存到numpy array中，第一个dimension代表有多少个example，第二个代表image有多少个pixel（特征28*28），ytrain第一个dimension就是examples个数，第二个dimension就是10维，代表第i个example的值。
fit中参数，batch_size 在做gradient descent时，并不会完全的minimize，而是将training data分为多个batch，比如每次选100张图作为一个batch。一个batch要随机分，尽量包含各种样本的y值。
1. 随机初始化Network中的w和b所有参数。
2. 随机选一个batch，计算batch1中的total loss=L'，根据L' update一次Network中的参数
3. 随机选第二个batch，计算L''，计算wb对L的偏微分。
4 直到用了所有的batch，这一次过程叫做一个epoch。按照epoch重复以上工作。
注意，在一个epoch里update很多次参数如k词，则m个epoch中，则update一共k*m次参数。
为什么要用mini-batch呢？主要原因是speed。batchsize偏大时，速度比较快（用了平行计算，如gpu，但受限于GPU的能力，太大则容易卡住），且Network比较稳定。
所以，mini-batch的随机性，可以防止神经网络在训练时被卡主。那么有了mini-batch时，GPU是如何加速计算的？
如下，整个Network，可以看做是一连串的矩阵运算的结果。不管是forward pass，还是backward pass（逆转Network，你向neutron）。
如下，为什么mini-batch比SGD快？
如果batchsize=1，则下面比较快，GPU可以在matrix相乘时可以加速。普通情况下，没有GPU，是一样的。
所以，使用GPU，就要设置mini-batch
如下，可保存模型，以后可读出来，也也可以做testing
作业：