回归问题，预测一个连续值而不是离散的标签

• 资料也别少，只有506个，分别为404个训练样本和102个测试样本。因为样本数少，书上讲了K折验证及相关代码，将训练样本分为若*分，依次选取一块作为验证数据。
• 由于数据中不同指标有着差异性的数值选取，需要做标准化。首先让所有数据减去平均值，则整个数列的和为0。然后除以标准差（标准差是依次减去平均值平方，除以项数，再整体开方），这样能保证数列平方和为1，从而构造和为0，平方和也为1的数列。
• mean=train_data.mean(axis=0)axis=0表示沿y轴，axis=1表示沿x轴，axis没写表示全部数平均。
• 进行运算时候，verbose=0为不输出运算进程，verbose=1或2都输出，2更详细，感觉1就够了。
• mae_history=history.history['val_mean_absolute_error'] 始终会报错，搜索别人的答案，改为val_mae确实不再报错。
• 程序在运行时每一个epoch会记录一下数据
• 本节程序书写很精彩，很值得学习，如k折的代码写法，以及只数移动平均值的写法。[np.mean([x[i] for x in all_mae_histories]) for i in range(num_epochs)]，ipython里经常有这样的写法产生列表，应该这样读。1.for i in range(num_epochs)主循环，首先产生0-499的数，第一次是0。2[x[i] for x in all_mae_histories]，然后是这个主循环下的语句块，all_mae_histories产生的是4*500的张量，每一行代表一次K折验证，500带表500个epoch。x依次迭代4行，x[i]每次循环提取对应的元素，如x[0]可以将第一个epoch中经过K折验证的四次，第一个epoch提取出来，然后mean计算之后存储下来。
• a=[]，则bool(a)是flase。a=[1,2]，则bool(a)是true。