机器学习（深度学习）流程

1. 数据收集、处理
 训练的数据是过去的累积历史数据，经过特征提取产生数据特征与真实值（或特征）
2. 数据预处理
 将数据特征值使用reshape转换，并标准化。将数字真实值以One-Hot Encoding进行转换或多元分类。
3. 建立模型，如多层感知模型、卷积神经网络等。
 Keras只处理模型的建立、训练、预测等功能。
 用激活函数（Activation function）模拟神经传导的工作方式将上层神经元信号传递到下一层，激活函数一般为非线性函数。常用有ReLU、sigmoid函数，建立深度学习模型
4. 进行训练
  建立深度学习模型后，一般使用反向传播（Back Propagation）训练，使用损失函数计算模型计算的结果与真实值之间的误差，重复传播和权重更新，并且与优化器（Optimizer，例如梯度下降法）结合使用，更新权重与偏差，直到误差收敛。
5. 评估模型准确率
  使用测试数据评估模型准确率，测试数据应与训练用的数据区分
6. 进行预测