from keras.models import Sequential
from keras.layers import Dense
import numpy as np
def generateData():
i = 1
X =[]
Y = []
while i < 100:
X.append(i)
Y.append(i*2)
i = i + 1
return np.array( X), np.array(Y)
model = Sequential()
model.add(Dense(1,input_dim = 1))
model.compile(loss='mean_absolute_error', optimizer ='adam')
model.summary()
X,Y=generateData()
model.fit(X[0:70],Y[0:70], epochs=200, batch_size=1)
scores= model.evaluate(x=X[70:],y=Y[70:])
print(scores)
t = np.array([2020,4040])
print(model.predict(t))
麻雀虽小，五脏俱全。代码位于https://github.com/gongrennengzhi/nmt/blob/master/simple.py
在这份极简的代码里，我们可以看到神经网络的完整步骤，一共五步,分别是准备数据，搭建神经网络，训练神经网络，评估神经网络，使用神经网络计算。
1. 准备数据
位于generateData()代码中，数据分为两部分，一部分是源数据，一部分是目标数据，两者之间存在某种关系，需要训练神经网络去学习这种关系。需要注意，keras使用numpy进行数据提交，必须做好数据转换。
2. 搭建网络结构
在keras里，搭建网络非常方便，就像搭积木一样，有固定的步骤。
首先，调用 model = Sequential(),表明开始搭建模型
然后，调用各种model.add(X)，来搭建网络即可,X代表不同的网络层，不同网络层的定义可以参考keras的API。不过只看API不能学会keras，需要对他背后的概念有深刻的理解。现在不理解不用着急，以后我们会逐步讲解。
再次，调用model.compile,指定loss和optimizer,完成网络搭建。
3 训练神经网络
训练网络，永远只有一句话，调用model.fit
看似简单的一句话，背后执行的动作千差万别，这就是keras为我们提供的封装
4 评估网络效果
通过新的数据来评估网络效果
5 使用网络预测
调用model.predict(t)，输入结果为[[4040.053 ] [8080.1074]]
至此，我们已经训练了一个神经网络，他可以用来计算乘法。可能你会觉得奇怪，这么大费周章的搞个乘法，意义何在？这个神经网络的功能不就是等价于如下语句么?
b = a * 2
没错，对于这个神经网络来说，的确如此，然而，神经网络能干的不止如此。
还是同样的代码，只要你改变下生成数据的方式，重新训练之后，你会发现，神经网络可以计算 b = a * 3 或者b = a * 4了，是不是很神奇？
今天，我们简单学习了神经网络的步骤，万变不离其宗，以后无论我们学习多么复杂的网络，都在这几步当中，并且，其中每一步都可以展开，有无数的知识需要学习。
不过不要着急，只要我们理解了基础框架，剩下一步步的填充，每天进步一点点，迟早能达成目标。
课后作业
1 亲自运行代码，并将结果发布在评论中
2 修改代码，让神经网络可以计算 b = a - 3
3 将keras中文文档添加到浏览器的收藏中，方便以后查找
