发现一个比较好的介绍Keras的中文版的文档，原文链接：
https://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/
以下内容是目前个人所看，详细内容看原文链接。
keras是一个高层神经网络API，由纯Python编写而成并基tensorflow、Theano以及CNTK后端。
快速开始序惯（Sequential）模型：
序贯模型是多个网络层的线性堆叠，也就是“一条路走到黑”。
指定输入数据的shape：
传递一个input_shape的关键字参数给第一层，input_shape是一个tuple类型的数据，其中也可以填入None，如果填入None则表示此位置可能是任何正整数。数据的batch大小不应包含在其中。有些2D层，如Dense，支持通过指定其输入维度input_dim来隐含的指定输入数据shape,是一个Int类型的数据。一些3D的时域层支持通过参数input_dim和input_length来指定输入shape。如果你需要为输入指定一个固定大小的batch_size（常用于stateful RNN网络），可以传递batch_size参数到一个层中，例如你想指定输入张量的batch大小是32，数据shape是（6，8），则你需要传递batch_size=32和input_shape=(6,8)。
编译：
compile接受三个参数：优化器，损失函数，指标列表metrics
优化器optimizer：该参数可指定为已预定义的优化器名，如rmsprop、adagrad，或一个Optimizer类的对象，详情见optimizers损失函数loss：该参数为模型试图最小化的目标函数，它可为预定义的损失函数名，如categorical_crossentropy、mse，也可以为一个损失函数。详情见losses指标列表metrics：对分类问题，我们一般将该列表设置为metrics=['accuracy']。指标可以是一个预定义指标的名字,也可以是一个用户定制的函数.指标函数应该返回单个张量,或一个完成metric_name - > metric_value映射的字典.请参考性能评估
训练：训练模型一般使用fit函数。
常用层：常用层对应于core模块，core内部定义了一系列常用的网络层，包括全连接层、激活层等。
Dense层（全连接层）：
所实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激活函数，kernel是本层的权值矩阵，bias为偏置向量，只有当use_bias=True才会添加。
如果本层的输入数据的维度大于2，则会先被压为与kernel相匹配的大小。
Dropout层：
Dropout将在训练过程中每次更新参数时按一定概率（rate）随机断开输入神经元，Dropout层用于防止过拟合。
Flatten层：
用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响和batch的大小。
reshape层
Permute层：当需要将RNN和CNN网络连接的时候，可能会用到该层。
RepeatVector层
repeatvector层将输入重复n次
如果觉得《keras中文版官方文档》对你有帮助，请点赞、收藏，并留下你的观点哦！
