1.导包
keras.datasets: 包含多种常用数据集，实现自动下载和解析等；
keras.models:包含各种模型结构，1）顺序模型Sequential;
keras.layers:包含常用的层结构，1）全连接层Dense;2)Dropout;3)Flatten;4)Conv2D;5)MaxPooling2D.
kears.optimizers:包含优化函数，1）adam;2)RMSprop.
2.数据输入
mlp接收输入数据格式：一维向量。
当数据格式不符合条件时，需要进行格式转换，直接使用reshape即可。
3.特征预处理。
1）是否归一化。
比如将图像数据需要经过x/255(即像素数据归一化到0-1)。这样处理的原因是：图像的归一化使得图像可以抵抗几何变换的攻击，它能够找出图像中的那些不变量，从而得知这些图像原本就是一样的或者就是一个系列的。
归一化的作用：
归一化就是将有量纲的表达式，经过变换，变为无量纲的表达式。其优点有 a. 避免具有不同无物理意义和量纲的输入变量不能平等使用；b. 归一化在sigmoid函数作为激活函数时，可以防止输入绝对值过大引起的神经元输出饱和的现象；c.归一化在神经网络应用中，是为了加快训练网络的收敛性；
4.标签预处理.
1)分类标签
label转换为one-hot标签：可使用keras.utils.to_categorical.
y_train = keras.utils.to_categorical(y_train, 10).
2)回归标签。
在回归问题中，当特征数据进行归一化的时候，label为具体数值型，同样可以对label数据进行归一化处理。
5.构建模型结构。
假设我们现在构建一个顺序结构的模型，包括2个隐藏层（采用relu激活函数），1个输出层，且都是全连接层，构建完以后可以使用model.summary()来打印结构。
model = Sequential()
model.add(Dense(512, activation = ‘relu’, input_shape=(784,))).
model.add(Dropout(0.2)).
model.add(Dense(512, activation = ‘relu’)).
model.add(Dropout(0.2)).
model.add(Dense(10, activation = ‘softmax’)).
6.优化目标。
1）优化器：使用optimizer定义。
2）损失定义：分类问题中常用交叉熵categorical_crossentropy。回归问题中常用mse。
3) 指定在训练及测试中关注的指标：设定metrics，一般地，设置metrics=[‘accuracy’].
model.compile(loss='categorical_crossentropy',
optimizer = RMSprop(),
metrics = ['accuracy']).
7.开始训练。
可以直接使用model.fit来进行训练。其中，有几个参数需要配置：
1)batch_size:表示每个epoch中训练的样本数量。
2)epochs:表示训练的轮数（epochs).
3)verbose:表示以何种方式显示输出信息，0表示不输出，1表示输出全部日志，2表示每个epoch输出一次日志。
4）validation_data: 可为空（即不设置），表示验证集。当该参数不为空时，每个epoch过后就会输出验证集的loss和accuracy.
model.fit(x_train, y_train, batch_size = 64,
epochs = 2,
verbose = 1,
validation_data = (x_test, y_test))
8.测试结果。
使用model.evaluate测试时，输出之前compile模型时指定的metrics类型，本例中是accuracy.
score = model.evaluate(x_test, y_test, verbose=1)
print('Test loss:', score[0]).
print('Test accuracy',score[1]).