keras可以处理问题类型：{分类问题、回归问题、损失函数}
什么是分类问题： 用于多元分类（一般大于三类），预测的是类别，模型输出是概率分布，选择概率最大那个作为分类结果。什么是回归问题： 回归问题预测的是值，模型输出是一个实数值（例如房价预测）-目标函数 -为什么需要目标函数？ 1.函数参数是逐步调整的，不是一蹴而就 2.目标函数可以帮助衡量模型好坏（不同模型可以对比输出）
-对于分类问题，目标函数作用 1.需要衡量目标类别与当前预测的差距如（【0.2，0.7，0.1】） 真实类别为2-——>one hot -->[0,0,1] ##one hot编码是将正整数序列变成向量形式进行表达，只有正整数位为1 其他位置为0
-对于分类问题，损失函数一般这两种 1.平方差损失： 2.交叉熵损失
—回归问题的目标函数 主要代表了预测值和真实值的差距，一般比较常见的是 {平方差损失和绝对值损失}
机器学习的意义就是训练模型，不断调整参数，使得目标函数（损失函数） 逐渐减少的过程。 理论部分暂时结束，接下来实战代码！
