用Keras搭建LSTM网络，预测时间序列，用MAE当做评价指标
一般会用到mae和maep来作为评价指标
1.关于Keras
1）简介
Keras是由纯python编写的基于theano/tensorflow的深度学习框架。
Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras：
a）简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
b）支持CNN和RNN，或二者的结合
c）无缝CPU和GPU切换
2）设计原则
a）用户友好：Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践：Keras提供一致而简洁的API， 能够极大减少一般应用下用户的工作量，同时，Keras提供清晰和具有实践意义的bug反馈。
b）模块性：模型可理解为一个层的序列或数据的运算图，完全可配置的模块可以用最少的代价自由组合在一起。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块，你可以使用它们来构建自己的模型。
c）易扩展性：添加新模块超级容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
d）与Python协作：Keras没有单独的模型配置文件类型（作为对比，caffe有），模型由python代码描述，使其更紧凑和更易debug，并提供了扩展的便利性。
2.Keras的模块结构
3.使用Keras搭建一个神经网络
4.模型
Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。
a）序贯模型（Sequential):单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。这种模型编译速度快，操作也比较简单
b）函数式模型（Model）：多输入多输出，层与层之间任意连接。这种模型编译速度慢。
5.第一个示例
这里也采用介绍神经网络时常用的一个例子：手写数字的识别。
可能因为版本的问题，有些参数可能出现差异。
1）Dense(500,input_shape=(784,))
a）Dense层属于网络层–>常用层中的一个层
b） 500表示输出的维度，完整的输出表示：(*,500)：即输出任意个500维的数据流。但是在参数中只写维度就可以了，比较具体输出多少个是有输入确定的。换个说法，Dense的输出其实是个N×500的矩阵。
c）input_shape(784,) 表示输入维度是784(28×28，后面具体介绍为什么)，完整的输入表示：(*,784)：即输入N个784维度的数据
2）Activation(‘tanh’)
a）Activation：激活层
b）’tanh’ ：激活函数
3）Dropout(0.5)
在训练过程中每次更新参数时随机断开一定百分比（rate）的输入神经元，防止过拟合。
第四步：训练 .fit的一些参数 batch_size：对总的样本数进行分组，每组包含的样本数量，随机梯度，随机抓取数据进行计算 epochs ：训练次数 shuffle：是否把数据随机打乱之后再进行训练 validation_split：拿出百分之多少用来做交叉验证 verbose：屏显模式 0：不输出 1：输出进度 2：输出每次的训练结果