1. 數據處理
keras的數據處理都在Keras.preprocessing這個庫裏面，有text、sequence和image三個子庫。
文字的預處理叫做標註（Tokenize）
（1）文字拆分。text_to_word_sequence函數，中文的話第三方組件做分詞，例如結巴分詞 pip3 install jieba
（2）建立索引。統一的序號和字詞對應，集合，形成字典。或者用onr_hot來編碼。索引的建立和自己選取的維度會造成哈希碰撞或者稀疏矩陣的問題
（3）序列補齊（Padding）。矩陣的長寬所限，寬度不夠的句子肯定要補齊。還有一種補齊的方式是用類似tcp滑動窗口的形式的形式，主要是針對一定順序的單詞（K）拆分成連續的子串（M），K非常大。一般用pad_sequences函數
（4）轉換爲矩陣。上面序列補齊的pad_sequences就是喲中矩陣化的方式。對於大量的文本用Keras提供的標註類Tokenizer來處理
（5）使用標註類批量處理文本文件。參考（4）
序列數據預處理
對於時間序列和上面的處理方式一致，不論是補齊還是截斷，都是將其相鄰的連續N個元素連在一起，即跟自然語言處理中的N元語法（N-Gram）模型類似，還有一個對序列數據做跳躍語法處理的（SkipGram）模型，代表是著名的word2vec。
圖像數據的處理
Keras.preprocessing.image.ImageDataGenerator類。這個類生成一個數據生成器（Generator）對象，圖像的矩陣數據就那麼個結構
2. Keras模型
分兩類：序列模型（Sequential）和通用模型（Model），他們之間的拓撲結構不同
eg：比如在Keras手冊中就舉了一個教神經網絡看視頻進行自然語言問答的例子。在這個例子中，輸入數據有兩種：一是視頻圖像；二是自然語言的提問。首先通過構造多層卷積神經網絡使用序列模型來對圖像編碼，然後將這個模型放入TimeDistributed函數中建立視頻編碼，最後使用LSTM對編碼建模，同時對自然語言也進行從文字到向量的轉換，在合併兩個網絡以後，將合併的網絡作爲參數輸入下一個全連接層進行計算，並輸出可能的回答。