#导入各种用到的模块组件
  from __future__ import absolute_import
  from __future__ import print_function
  from keras.preprocessing.image import ImageDataGenerator
  from keras.models import Sequential
  from keras.layers.core import Dense, Dropout, Activation, Flatten
  from keras.layers.advanced_activations import PReLU
  from keras.layers.convolutional import Convolution2D, MaxPooling2D
  from keras.optimizers import SGD, Adadelta, Adagrad
  from keras.utils import np_utils, generic_utils
  from six.moves import range
  from data import load_data
  
  #加载数据
  data, label = load_data()
  print(data.shape[0], ' samples')
  
  #label为0~9共10个类别，keras要求格式为binary class matrices,转化一下，直接调用keras提供的这个函数
  label = np_utils.to_categorical(label, 10)
  
  ###############
  #开始建立CNN模型
  ###############
  
  #生成一个model
  model = Sequential()
  
  #第一个卷积层，4个卷积核，每个卷积核大小5*5。1表示输入的图片的通道,灰度图为1通道。
  #border_mode可以是valid或者full，具体看这里说明：http://deeplearning.net/software/theano/library/tensor/nnet/conv.html#theano.tensor.nnet.conv.conv2d
  #激活函数用tanh
  #你还可以在model.add(Activation('tanh'))后加上dropout的技巧: model.add(Dropout(0.5))
  model.add(Convolution2D(4, 1, 5, 5, border_mode='valid')) 
  model.add(Activation('tanh'))
  
  #第二个卷积层，8个卷积核，每个卷积核大小3*3。4表示输入的特征图个数，等于上一层的卷积核个数
  #激活函数用tanh
  #采用maxpooling，poolsize为(2,2)
  model.add(Convolution2D(8,4, 3, 3, border_mode='valid'))
  model.add(Activation('tanh'))
  model.add(MaxPooling2D(poolsize=(2, 2)))
  
  #第三个卷积层，16个卷积核，每个卷积核大小3*3
  #激活函数用tanh
  #采用maxpooling，poolsize为(2,2)
  model.add(Convolution2D(16, 8, 3, 3, border_mode='valid')) 
  model.add(Activation('tanh'))
  model.add(MaxPooling2D(poolsize=(2, 2)))
  
  #全连接层，先将前一层输出的二维特征图flatten为一维的。
  #Dense就是隐藏层。16就是上一层输出的特征图个数。4是根据每个卷积层计算出来的：(28-5+1)得到24,(24-3+1)/2得到11，(11-3+1)/2得到4
  #全连接有128个神经元节点,初始化方式为normal
  model.add(Flatten())
  model.add(Dense(16*4*4, 128, init='normal'))
  model.add(Activation('tanh'))
  
  #Softmax分类，输出是10类别
  model.add(Dense(128, 10, init='normal'))
  model.add(Activation('softmax'))
  
  #############
  #开始训练模型
  ##############
  #使用SGD + momentum
  #model.compile里的参数loss就是损失函数(目标函数)
  sgd = SGD(l2=0.0,lr=0.05, decay=1e-6, momentum=0.9, nesterov=True)
  model.compile(loss='categorical_crossentropy', optimizer=sgd,class_mode="categorical")
  
  #调用fit方法，就是一个训练过程. 训练的epoch数设为10，batch_size为100．
  #数据经过随机打乱shuffle=True。verbose=1，训练过程中输出的信息，0、1、2三种方式都可以，无关紧要。show_accuracy=True，训练时每一个epoch都输出accuracy。
  #validation_split=0.2，将20%的数据作为验证集。
  model.fit(data, label, batch_size=100, nb_epoch=10,shuffle=True,verbose=1,show_accuracy=True,validation_split=0.2)
  
  #fit方法在达到设定的nb_epoch时结束，并且自动地保存了效果最好的model,之后你可以调用model.evaluate()方法对测试数据进行测试，
  #还有model.predict_classes,model.predict_proba等方法,具体请看文档。