李宏毅 DeepLearning -2017-Hello world of deep learning (keras)and Demo 第一步：搭積木：設定神經網絡架構（k re a s）新版的keras2.0将output_dim改成了unit，最後選擇輸出的activation為softmax保證輸出介于（0～1）之間
李宏毅 DeepLearning -2017-Hello world of deep learning (keras)and Demo 第二步：設定loss function來衡量model的優越性和學習走向
李宏毅 DeepLearning -2017-Hello world of deep learning (keras)and Demo 第三步：Train部分，設定優化方法opt（都是gradient 的方法），batchSize:實際中是把訓練資料分成随機的等分塊進行訓練，batchSize指的是這個塊的大小，在這裡指100張圖檔，把100個example放到一個batch當中。把所有的batch都做一次叫做一個epoch，一次疊代。
李宏毅 DeepLearning -2017-Hello world of deep learning (keras)and Demo 李宏毅 DeepLearning -2017-Hello world of deep learning (keras)and Demo **資料處理，把訓練資料放入numpy arrray中：x_train輸入10000張2828圖檔，那麼資料維數是10000784，屬于二維的matrix
y_train輸入10000張圖檔的标簽，每一列代表一個标簽，圖中第一個标簽是｛0，0，0，0，0，1，0，0，0，0｝，代表數字“5”**
李宏毅 DeepLearning -2017-Hello world of deep learning (keras)and Demo ****第4步：自己調節Min-batch,會影響運算時間和運算結果batch_size的大小設定有所講究，對于GPU來說，設定太小的話，batch數量就多，就要分很多次計算，運算時間會比較長，設定太大的話，每個batch裡面一次調整很多參數可能會出錯。
李宏毅 DeepLearning -2017-Hello world of deep learning (keras)and Demo 李宏毅 DeepLearning -2017-Hello world of deep learning (keras)and Demo 加入gpu的計算方法：
李宏毅 DeepLearning -2017-Hello world of deep learning (keras)and Demo 第五步：模型的儲存和測試
李宏毅 DeepLearning -2017-Hello world of deep learning (keras)and Demo 第六步：調參數
模型需要調整Loss Function，梯度下降方法以及層數獲得最好的效果
