1.fit_generator
解析：fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_q_size=10, workers=1, pickle_safe=False, initial_epoch=0)。其中，validation_steps表示當validation_data爲生成器時，本參數指定驗證集的生成器返回次數。
2.deque
解析：雙端隊列。
3.LSTM層
解析：keras.layers.recurrent.LSTM(units, activation=’tanh’, recurrent_activation=’hard_sigmoid’, use_bias=True, kernel_initializer=’glorot_uniform’, recurrent_initializer=’orthogonal’, bias_initializer=’zeros’, unit_forget_bias=True, kernel_regularizer=None, recurrent_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, recurrent_constraint=None, bias_constraint=None, dropout=0.0, recurrent_dropout=0.0)。如下所示：
（1）units：輸出維度。
（2）dropout：0-1之間的浮點數，控制輸入線性變換的神經元斷開比例。
（3）input_dim：輸入維度，當使用該層爲模型首層時，應指定該值（或等價的指定input_shape）。
（4）return_sequences：如果return_sequences=True，返回形如（samples，timesteps，output_dim）的3D張量，否則返回形如（samples，output_dim）的2D張量。
4.Dropout層
解析：keras.layers.core.Dropout(rate, noise_shape=None, seed=None)。爲輸入數據施加Dropout。Dropout將在訓練過程中每次更新參數時按一定概率（rate）隨機斷開輸入神經元，Dropout層用於防止過擬合。如下所示：
（1）rate：0-1的浮點數，控制需要斷開的神經元的比例。
（2）noise_shape：整數張量，爲將要應用在輸入上的二值Dropout mask的shape，比如輸入爲(batch_size, timesteps, features)，並且希望在各個時間步上的Dropout mask都相同，則可傳入noise_shape=(batch_size, 1, features)。
（3）seed：整數，使用的隨機數種子。
5.tf.nn.max_pool
解析：max_pool(value,ksize,strides,padding,data_format=’NHWC’,name=None)
6.tf.nn.pool
解析：pool(input,window_shape,pooling_type,padding,dilation_rate=None,strides=None,name=None,data_format=None)
7.tf.trainable_variables和tf.all_variables
解析：
（1）tf.trainable_variables返回的是需要訓練的變量列表。
（2）tf.all_variables返回的是所有變量的列表。
8.pickle.load
解析：
with open('file_name', 'rb') as pickle_file:
data = pickle.load(pickle_file)
9.checkpoint
解析：
（1）.meta文件保存了當前圖結構。
（2）.index文件保存了當前參數名。
（3）.data文件保存了當前參數值。
10.tf.train.get_checkpoint_state
解析：get_checkpoint_state(checkpoint_dir,latest_filename=None)，如下所示：
（1）checkpoint_dir: The directory of checkpoints.
（2）latest_filename: Optional name of the checkpoint file. Default to ‘checkpoint’.
11.tf.train.Saver
解析：
（1）save(sess,save_path,global_step=None,…,write_meta_graph=True,write_state=True)
（2）restore(sess,save_path)：restores previously saved variables.
12.tf.gfile.FastGFile
解析：__init__(name,mode=’r’)：File I/O wrappers without thread locking.
13.tf.train.latest_checkpoint
解析：latest_checkpoint(checkpoint_dir,latest_filename=None)，如下所示：
（1）checkpoint_dir: Directory where the variables were saved.
（2）latest_filename: Optional name for the protocol buffer file that contains the list of most recent checkpoint filenames. See the corresponding argument to Saver.save().
14.graph.get_tensor_by_name(name)
解析：name表示tensor的名字。
15.tf.global_variables_initializer
解析：an Op that initializes global variables in the graph.
16.tf.name_scope與tf.variable_scope
解析：
（1）tf.name_scope主要用於管理一個圖裏面的各種op，返回的是一個以scope_name命名的context manager。一個graph會維護一個name_space的堆，每一個namespace下面可以定義各種op或者子namespace，實現一種層次化有條理的管理，避免各個op之間命名衝突。
（2）tf.variable_scope一般與tf.name_scope()配合使用，用於管理一個graph中變量的名字，避免變量之間的命名衝突，tf.variable_scope允許在一個variable_scope下面共享變量。
說明：tf.variable_scope用於變量，tf.name_scope用於操作。
17.f.keras.preprocessing.image.load_img
解析：
load_img(path,grayscale=False,target_size=None)：loads an image into PIL format。如下所示：
（1）path: Path to image file.
（2）grayscale: Boolean, whether to load the image as grayscale.
（3）target_size: Either None (default to original size) or tuple of ints (img_height, img_width).
18.Dropout層
解析：keras.layers.core.Dropout(rate, noise_shape=None, seed=None)。爲輸入數據施加Dropout。Dropout將在訓練過程中每次更新參數時按一定概率（rate）隨機斷開輸入神經元，Dropout層用於防止過擬合。如下所示：
（1）rate：0-1的浮點數，控制需要斷開的神經元的比例。
（2）noise_shape：整數張量，爲將要應用在輸入上的二值Dropout mask的shape，例如輸入爲(batch_size, timesteps, features)，並且希望在各個時間步上的Dropout mask都相同，則可傳入noise_shape=(batch_size, 1, features)。
（3）seed：整數，使用的隨機數種子。
19.TimeDistributed包裝器
解析：keras.layers.wrappers.TimeDistributed(layer)，該包裝器可以把一個層應用到輸入的每一個時間步上。其中，layer表示Keras層對象。使用TimeDistributed包裝Dense嚴格等價於layers.TimeDistribuedDense。不同的是包裝器TimeDistribued還可以對別的層進行包裝，比如對Convolution2D包裝。
20.Bidirectional包裝器
解析：keras.layers.wrappers.Bidirectional(layer, merge_mode=’concat’, weights=None)，雙向RNN包裝器。如下所示：
（1）layer：Recurrent對象。
（2）merge_mode：前向和後向RNN輸出的結合方式，爲sum，mul，concat，ave和None之一，若設爲None，則返回值不結合，而是以列表的形式返回。
21.set_image_dim_ordering
解析：set_image_dim_ordering(dim_ordering)，sets the value of the image dimension ordering convention (‘th’ or ‘tf’)。如下所示：
>>> from keras import backend as K
>>> K.image_dim_ordering()
'th'
>>> K.set_image_dim_ordering('tf')
>>> K.image_dim_ordering()
'tf'
22.Conv2D層中的SAME和VALID
解析：
（1）SAME
out_height = ceil(float(in_height) / float(strides[1]))，out_width = ceil(float(in_width) / float(strides[2]))
（2）VALID
out_height = ceil(float(in_height - filter_height + 1) / float(strides[1]))，out_width = ceil(float(in_width - filter_width + 1) / float(strides[2]))
23.EarlyStopping
解析：keras.callbacks.EarlyStopping(monitor=’val_loss’, patience=0, verbose=0, mode=’auto’)，當監測值不再改善時，該回調函數將中止訓練。如下所示：
（1）monitor：需要監視的量。
（2）patience：當early stop被激活（比如發現loss相比上一個epoch訓練沒有下降），則經過patience個epoch後停止訓練。
（3）verbose：信息展示模式。
（4）mode：”auto”，”min”，”max”之一，在min模式下，如果檢測值停止下降則中止訓練。在max模式下，當檢測值不再上升則停止訓練。
24.CSVLogger
解析：keras.callbacks.CSVLogger(filename, separator=’,’, append=False)。將epoch的訓練結果保存在csv文件中，支持所有可被轉換爲string的值，包括1D的可迭代數值如np.ndarray。如下所示：
（1）fiename：保存的csv文件名，比如run/log.csv。
（2）separator：字符串，csv分隔符。
（3）append：默認爲False，爲True時csv文件如果存在則繼續寫入，爲False時總是覆蓋csv文件。
25.目標函數
解析：model.compile(loss=’mean_squared_error’, optimizer=’sgd’)。比如，多類對數損失categorical_crossentropy，注意使用該目標函數時，需要將標籤轉化爲形如(nb_samples, nb_classes)的二值序列。
參考文獻：
[1] Visualizing MNIST：An Exploration of Dimensionality Reduction：http://colah.github.io/posts/2014-10-Visualizing-MNIST/
[2] Keras圖像深度學習實戰：http://www.ituring.com.cn/book/tupubarticle/16624
[3] Tensorflow加載預訓練模型和保存模型：http://blog.csdn.net/huachao1001/article/details/78501928