Keras建模需理清数据、模型、编译、训练四环节：数据要规范shape与dtype，模型按结构选Sequential或函数式API，编译时损失函数须与输出层和标签格式匹配，训练中用loss曲线和EarlyStopping等回调监控优化。
用 Keras 搭建和训练神经网络，核心在于理清数据、模型、编译、训练四个环节的衔接逻辑。Keras 的优势是高层抽象简洁，但容易忽略底层细节，比如输入形状匹配、损失函数选择、批次大小对收敛的影响等。
准备数据：格式对了，模型才不报错
Keras 对输入张量的 shape 非常敏感。图像数据通常要归一化到 [0, 1] 并 reshape 成 (batch_size, height, width, channels)；表格数据需转为二维 float32 张量，shape 是 (samples, features)。标签如果是多分类，用 to_categorical 转成 one-hot；如果是二分类或带序号的多类，保持整数形式即可，对应损失函数选 binary_crossentropy 或 sparse_categorical_crossentropy。
- 检查 X_train.dtype 是否为 float32，不是就加 .astype('float32')
- 用 X_train.shape 确认维度顺序，特别是通道在后（channels_last）是默认模式
- 验证 y_train 中类别索引是否从 0 开始连续，否则模型输出层神经元数量会出错
构建模型：从 Sequential 到函数式，按需选择
简单结构用 Sequential 最直接：一层接一层堆叠 Dense、Conv2D、Dropout 等。但遇到多输入、多输出、跨层连接（如残差、跳跃连接），就得用函数式 API。关键点是每层调用时传入上一层输出，最后用 Model(inputs=..., outputs=...) 封装。
- 第一层 Dense 必须指定 input_shape，例如 input_shape=(784,) 表示 784 维特征
- 卷积层后接全连接前，加 Flatten() 或 GlobalAveragePooling2D()，别漏掉
- BatchNormalization 建议放在激活函数前，Dropout 放在激活函数后，更稳定
编译模型：损失、优化器、评估指标要配对
compile() 不只是“设置”，它决定了反向传播怎么算梯度、参数怎么更新。binary_crossentropy 对应 sigmoid 输出 + 单输出单元；categorical_crossentropy 要求 softmax 输出 + one-hot 标签；sparse_categorical_crossentropy 兼容整数标签，省去 one-hot 步骤。优化器推荐 Adam，学习率初始设 0.001，若训练震荡可降到 0.0001。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
- metrics=['accuracy'] 对二分类够用，多分类建议加 'sparse_top_k_categorical_accuracy'
- 自定义损失函数时，确保返回标量 loss，且支持自动微分（别用 np.sum 替代 tf.reduce_sum）
- 验证集 metrics 在 fit() 中通过 validation_data 或 validation_split 控制，不是 compile 里写的
训练与监控：别只看 accuracy，loss 才是真信号
fit() 返回 History 对象，用 history.history['loss'] 和 history.history['val_loss'] 画图，观察是否过拟合（训练 loss 下降但验证 loss 上升）。EarlyStopping 和 ReduceLROnPlateau 是两个实用回调：前者在验证 loss 连续几轮不下降时停训，后者在 plateau 时自动降学习率。
- batch_size 不是越大越好，显存允许下 32–128 较平衡；太小收敛慢，太大泛化可能变差
- epochs 设大些（如 100），靠 EarlyStopping 自动截断，比手动试更可靠
- 训练完用 model.evaluate() 在测试集上跑一次，避免用验证集结果当最终性能
不复杂但容易忽略。把 shape 对齐、损失配对、回调用好，大部分训练问题都能提前避开。
