關于驗證集：
如果在model.fit中設定validation_spilt的值，則可将資料分為訓練集和驗證集，例如，設定該值為0.1，則訓練集的最後10%資料将作為驗證集，設定其他數字同理。注意，原資料在進行驗證集分割前并沒有被shuffle，是以這裡的驗證集嚴格的就是你輸入資料最末的x%。
向BN層中載入權重:
按照BN的文章順序，似乎載入Keras BN層的參數應該是[mean, std, gamma, beta];
然而不是的，Keras的BN層參數順序應該是[gamma, beta, mean, std]，這是因為gamma和beta是可訓練的參數，而mean和std不是;
Keras的可訓練參數在前，不可訓練參數在後;
錯誤的權重順序不會引起任何報錯，因為它們的shape完全相同。
shuffle和validation_split的順序：(和第一點類似)
模型的fit函數有兩個參數，shuffle用于将資料打亂，validation_split用于在沒有提供驗證集的時候，按一定比例從訓練集中取出一部分作為驗證集;
這裡有個陷阱是，程式是先執行validation_split，再執行shuffle的，是以會出現這種情況：假如你的訓練集是有序的，比方說正樣本在前負樣本在後，又設定了validation_split，那麼你的驗證集中很可能将全部是負樣本;
同樣的，這個東西不會有任何錯誤報出來，因為Keras不可能知道你的資料有沒有經過shuffle，保險起見如果你的資料是沒shuffle過的，最好手動shuffle一下。