1.可擴展參數： 從 kwargs 字典裏獲取，可限制key的取值
vars : name scope 下的變量（字典）
placeholders : 外部變量占位，壹般是特征和標簽（字典）
layers ： 神經網絡的 layer （列表）
activations ： 每個 layer 的輸出結果（列表）
inputs ： 輸入
output ： 輸出
loss ： 損失
accuracy ： 準確率
optimizer ：優化器
opt_op ：最優化的 op 操作
_build 是私有 build 方法，在繼承Model的具體實現時對 layers 進行 append 操作，下面介紹 build 方法：
調用 _build ，所有變量設置***享空間（ self.name ）
構建模型序列：給輸入，通過layer()返回輸出，又將這個輸出再次作為輸入到下壹個 layer() 中，循環這壹過程；最終，取最後壹層 layer 的結果作為 output
保存 name scope下 的變量到 self.vars
模型效果度量： _loss 方法， _accuracy 方法
常用的結構化數據文件格式有csv、txt 、libsvm，本篇文章主要說明結構化數據（csv/txt）如何在TF框架進行高效、靈活的讀取，避免壹些不合理的方式，邁出算法開發標準化、工程化的第壹步。
最常見的讀取數據的方式是利用pandas包將csv、txt讀取為DataFrame，壹次全部放入內存。這是壹種非常低效的方式，應該盡量避免這種讀取方法。其他第三方封裝python讀取方式的包（TFLearn等）也不建議使用，推薦使用TF框架的OP操作進行數據讀取。
高效的 TensorFlow 讀取方式是將數據讀取轉換成 OP，通過 session run 的方式拉去數據。讀取線程源源不斷地將文件系統中的文件讀入到壹個內存的隊列中，而負責計算的是另壹個線程，計算需要數據時，直接從內存隊列中取就可以了，這樣就可以解決GPU因為IO而空閑的問題。同時，不會壹次性的preload到內存，再大的數據量也不會超出內存的限制。
梯度下降 ：梯度下降是壹個在機器學習中用於尋找較佳結果（曲線的最小值）的叠代優化算法。梯度的含義是斜率或者斜坡的傾斜度。下降的含義是代價函數的下降。
?算法是叠代的，意思是需要多次使用算法獲取結果，以得到最優化結果。梯度下降的叠代性質能使欠擬合演變成獲得對數據的較佳擬合。
?梯度下降中有壹個稱為學習率的參量。如上圖左所示，剛開始學習率較大，因此下降步長更大。隨著點的下降，學習率變得越來越小，從而下降步長也變小。同時，代價函數也在減小，或者說代價在減小，有時候也稱為損失函數或者損失，兩者是壹樣的。（損失/代價的減小是壹個概念）。
?只有在數據很龐大的時候（在機器學習中，數據壹般情況下都會很大），我們才需要使用epochs，batch size，iteration這些術語，在這種情況下，壹次性將數據輸入計算機是不可能的。因此，為了解決這個問題，我們需要把數據分成小塊，壹塊壹塊的傳遞給計算機，在每壹步的末端更新神經網絡的權重，擬合給定的數據。
（1）batchsize：批大小。在深度學習中，壹般采用SGD訓練，即每次訓練在訓練集中取batchsize個樣本訓練；
（2）iteration：1個iteration等於使用batchsize個樣本訓練壹次；
（3）epoch：1個epoch等於使用訓練集中的全部樣本訓練壹次；