1. Dense层：全连接层
  2. Activatiion层：激活层，对一个层的输出施加激活函数
  3. Dropout层：为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时按一定概率(rate)随机断开输入神经元，Dropout层用于防止过拟合
  4. Flatten层：Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小
  5. Reshape层：Reshape层用来将输入shape转换为特定的shape
  6. Permute层：Permute层将输入的维度按照给定的模式进行重拍，例如，当需要将RNN和CNN网络连接时，可能需要该层。
  7. RepeatVector层：RepeatVector层将输入重复n次
  8. Lambda层：用以对上一层的输出施加任何Theano/TensorFlow表达式
  9. ActivityRegularizer层：经过该层的数据不会有任何变化，但会基于激活值更新损失函数值
  10. Masking层：使用给定的值对输入序列信号进行屏蔽，用以定位需要跳过的时间步