1.介绍
如何构建能够学习复杂关系的神经网络，这里的关键思想是模块化（modularity），从简单的功能单元构建一个复杂的网络。我们已经了解了线性单元是如何计算线性函数的——现在我们将了解如何组合和修改这些单元，以建立更复杂的关系模型。
2.层
神经网络通常把神经元组织成层（layers）。当我们把具有一组公共输入的线性单元集合在一起时，我们得到了一个稠密层（dense layer）。
形成一个接收两个输入和一个偏置的两个线性单元的密集层。
你可以把神经网络中的每一层看作是执行某种相对简单的转换。神经网络通过层层叠加，可以以越来越复杂的方式变换输入方式。在一个训练有素的神经网络中，每一层都是一个变换，使我们更接近一个解。
多种层次
Keras中的“层”是一种非常普遍的类型。基本上，层可以是任何类型的数据转换。许多层，像卷积层和递归层（convolutional and recurrent），通过使用神经元来转换数据，并且主要在它们形成的连接模式上有所不同。其他的则用于特征工程或只是简单的算法。
3.激活函数（Activation Function）
然而，事实证明，致密层本身永远无法把我们从线和平面的世界中带出来。我们需要的是非线性的东西。我们需要的是激活函数。
没有激活函数，神经网络只能学习线性关系。为了拟合曲线，我们需要使用激活函数。
一个激活函数就是我们应用于每一层输出（激活）的函数。最常见的是整流函数max（0，x）
整流函数有一个图形，它是一条负部分“整流”为零的线。将函数应用于神经元的输出将使数据发生变化，使我们远离简单的线条。
当我们把整流器连接到一个线性单元上时，我们得到一个整流的线性单元或ReLU(因此，通常将整流函数称为“ReLU函数”。）将ReLU激活应用于线性单元意味着输出变为max（0，w*x+b），我们可以在如下图中绘制：
堆积密集层,现在我们有了一些非线性，让我们看看如何堆叠层以获得复杂的数据转换。一堆密集的层构成了一个“完全连接”的网络。输出层之前的层有时被称为隐藏层，因为我们从不直接看到它们的输出。
如果最后的（输出）层是一个线性单元（意思是没有激活函数），那么这个网络适用于回归任务，在回归任务中，我们试图预测一些任意的数值。其他任务（如分类）可能需要在输出上使用激活函数。
4.例子