此系列內容的順序為 keras訓練架構運作 -> 機器學習概念 -> 相關數學概述，是為了提供日後有需要時，可以查閱參考，得以解決問題。其敘述方式與前一系列 [Dot Net Core]圖解系列與常用套件相似，將框架如何運作重點式的參考。

如果要學使用其它API框架，如PyTorch，一樣舉一反三可以很快上手；前提是深度學習如何運作的，還是要去學習探討後，比較有籌碼去舉一反三地融入應用。目前Keras仍有在維護，修正了早期的錯誤，也有不少資源可以參考。

有以下幾類要點要注意:

1. keras API 的使用時的參考

例如有出現此問題:

錯誤程式為:

model.compile(optimizer= 
 optimizers.get( {"class_name": "rmsprop", "config": {"learning_rate" : "0.001"} } ) ,
 loss="sparse_categorical_crossentropy",
 metrics=["accuracy"])

查閱 15. optimizer 與 learning_rate，有提到class_and_config_for_serialized_keras_object ,得知

"config": {"learning_rate" : "0.001"} 要設定為 "config": {"learning_rate" : 0.001} ，0.001應為數值而非字串。

再看一個問題:

查閱 20. 使用 callbacks.ModelCheckpoint 求最佳模型，model.fit 參數加上 validation_split=0.2 可以修正此錯誤。

而此問題:

查閱 20. 使用 callbacks.ModelCheckpoint 求最佳模型，model.compiler 參數 metrics 陣列中加上 "accuracy" 得以修正。

2. 撰寫機器訓練時要注意的地方

大部分會使用 python來撰寫，但其實任何語言都可以進行機器學習的任務。既然不限任何語言，程式的架構非常重要，關係到是否可以讓成員容易維護，加速開發時間，與方便溝通、管理。專案進行與管理，如同建築大樓，一開始一定是勘察基底與建立框架，如果基底與框架沒處理好，建築是很容易垮的，也影響後續的工程。

要如何達成，推薦要找好的Pattern，以好的設計模式來建構基底，好擴充好融入使得走得長久。 keras 是不錯的框架與介面，就是一個設計的參考。另外物件的容易使用，API化的設計也是非常重要。

3. 建議多多學習數學概念

傳統的程式，能夠搭配使用design pattern 、MVC、micro-service 等方式進行，達成階段動態自動化其實很厲害了，但如果真正讓機器"活起來"學習，讓機器可以被教導，絕對不是單純用人的語言或過去使用的迴圈、判斷式語法就能達成，而是數學。沒有數學，就沒有現在的大樓、交通工具、工廠製造等等，即使搭捷運，火車，在抵達目的地的煞車，都會用到模糊理論；總不能固定的反作用力停下來吧? 這樣被運輸目標一定會損傷損害。

數學是個跳脫目前狀態的捷徑，另外的"哲學"思維，跳躍到另一層次，不同的定理可能造就不同的科技。不要有所侷限，說不定不同的科技就是靠翻轉到另一個定理達成的!  

另外，無論面對什麼，就是不設限與謙遜，拿出經驗與耐心，如同去年鐵人系列的最後一篇https://ithelp.ithome.com.tw/articles/10301367 ，把自己當作難纏的陸戰隊，去挑戰未來!