x.1 算法参数更新
我们使用梯度下降算法来自动更新参数，但是由于学习率的不好选择性，我们有时候会下降地很快，有时候下降地很慢，我们期望有一种方式能够自动调整学习率的变化，这里引入Adaptive Moment Estimation/Adam/自适应矩估计优化器，即使用alpha来自动调整(learning rate)学习率变化。这种算法在实际实现上会为每个权重参数weight和偏置bias设置一个学习率，
除了为每个可学习参数设置特定学习率外，他还会为自动更新学习率的大小，如果总是朝着一个方向更新则加大学习率，如果反复横跳则减小学习率，如下，
那我们如何在代码中体现使用了Adam优化器呢？我们只需要在compile步骤时，指定optimizer为adam并且指定初始学习率便可，
x.2 卷积层
我们目前最常见的层就是Dense Layer全连接层，但有时候我们面对不同的数据可能需要不同的层，例如我们会用CNN来处理图片的数据。CNN层适合处理图像类型的数据，它的优点在于它的计算更加快速，需要的训练数据量更小，且不容易过拟合。
我们以心电图为例，当我们需要处理的数据如下所示，我们使用CNN进行处理，我们将图像转置，我们第一个神经元采样x1到x20的数据，并表示成a1，x11-x30表示a2，…，以此类推最后产生一个输出判断是否有心脏病。
