1.sess.run（）

sess.run([a,b])，同时运行ab两个函数
sess.run(a)
sess.run(b)先运行a再运行b
https://www.cnblogs.com/cloud-ken/p/9092377.html
这个不知道具体影响，后来认真分析可以

2.return_sequence

lstm rnn模型的独特参数，表达是否返回所有细胞层的输出，默认为false，即不反回所有的，只返回最后一个。

3.keras application模块

keras的application模块提供了几款训练好的模型，我们要用的时候可以直接用就行了，Xception、VGG16、VGG19、ResNet50、InceptionV3。注意tensorflow的后端问题，dim_ordering，也就是维度顺序，比方说一张224*224的彩色图片，theano的维度顺序是(3，224，224)，即通道维在前。而tf的维度顺序是(224，224，3)，即通道维在后。

4.keras ImageDataGenerator()

ImageDataGenerator()用于生成图像，同时也可以在batch中对数据进行增强，扩充数据集大小，增强模型的泛化能力。比如进行旋转，变形，归一化等等。
宏观上理解keras

5.keras的两种模型构建模式

sequential和model式
sequential比较好理解，就是贯序模式
model比sequential效果好但复杂

6.keras.preprocessing.sequence

pad_sequences(sequences, maxlen, padding=’pre’, truncating=’pre’, value=0.) 将序列填充到maxlen长度，padding取值有pre|post，value指定用何值填充的值。经常用到文本截断和补足当中。

7.keras embedding

embedding层只能作为作为模型的第一层，是对输入的截取和截断的。基本用法为keras.layers.embeddings.Embedding(input_dim, output_dim, embeddings_initializer='uniform', embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None)，找几个重要的参数介绍一下，input_dim输入维度，比如说已知文本包含的词典单词数量为20，输入维度为20，outputdim输出维度，输出你想输出的维度，这个值自己指定，没有固定套路能满足词量的要求就好了，input_length，输入句子的实际长度。

8.keras.layers.recurrent.LSTM

用法如下，注意参数的含义：model.add(LSTM(100, dropout=0.2, recurrent_dropout=0.2))
第一个dropout是x和hidden之间的dropout,第二个是hidden-hidden之间的dropout

9.model.predict()

返回的是由array组成的结果列表，取具体值得时候用两个[][]。

10.pandas.values

假设我们读入了一个dataframe现在要遍历其中的值，我们可能想用colume和iloc进行定位取数，但这种方法比较繁琐，有的时候对基础知识掌握不扎实，很容易报错。.values方法给我们提供一个可行的思路它将dataframe的值转换为ndarry，而你可以像array一样去遍历它，十分方便。
2019-5-30补充，这个使用过程中要注意values后边不能加（）。

11.df.shift()

移动数据，看到整理数据时候用到过，需严谨的逻辑。
df.shift()

12.列表可以和列表相加，相当于append方法

比如list1 = ['1','2'] list1 + ['3'] = ['1','2','3']

13.df.columns()

可以用columns的名，可以用固定的列名，也可以用索引，索引从1开始。