Keras 是基于 Theano 或 者TensorFlow 的一個深度學習框架，其設(shè)計源于Torch，編程語言用 Python ，是一個功能強大、內(nèi)容抽象，高度模塊化的神經(jīng)網(wǎng)絡(luò)庫，能夠支持 GPU 和 CPU。目前tensorflow已經(jīng)將keras合并到了自己的主代碼中，我們可以直接tf.keras就能調(diào)用其中的工具庫了。

一、  Keras設(shè)計原則

a)用戶友好：Keras提供一致而簡潔的API， 大大降低了一般應(yīng)用下用戶的工作量，并且，Keras可以提供清晰和具有實踐意義的bug反饋。

b)模塊性：模型可理解為一個層的序列或數(shù)據(jù)的運算圖，完全可配置的模塊可以用最少的代價自由組合在一起。具體而言，網(wǎng)絡(luò)層、損失函數(shù)、優(yōu)化器、初始化策略、激活函數(shù)、正則化方法都是獨立的模塊，你可以使用它們來構(gòu)建自己的模型。

c)易擴展性：只要仿照現(xiàn)有模塊編寫出新的類或者函數(shù)，就能夠非常簡單的添加新模塊。這種快捷性、便利性，能夠讓Keras在先進的研究工作方面有更突出的表現(xiàn)。

d)與Python協(xié)作：Keras并沒有單獨的模型配置文件類型，模型使用python代碼，這使得Keras更緊湊和更易debug，擴展更為便捷。

二、keras安裝

在進行keras安裝之前，需要需要確保TensorFlow，Theano，CNTK已經(jīng)安裝完成。建議使用TensorFlow后端。如果計劃在GPU上運行keras，還可以選擇依賴項cuDNN。

1、打開dos窗口，在命令行中輸入：pip install keras

2、下載完成后，進入python環(huán)境，輸入import keras,輸出Using Tensorflow backend即表示安裝成功。

三、快速上手 Keras

模型，是一種組織網(wǎng)絡(luò)層的方式，它是Keras 的核心數(shù)據(jù)結(jié)構(gòu)。Keras 中主要的模型有： Sequential 模型，Sequential 是一系列網(wǎng)絡(luò)層按順序構(gòu)成的棧。

Sequential 模型如下：

from keras.models import Sequential

model = Sequential()

將一些網(wǎng)絡(luò)層通過 .add() 堆疊起來，就構(gòu)成了一個模型：

from keras.layers import Dense, Activation

model.add(Dense(units=64. input_dim=100))

model.add(Activation("relu"))

model.add(Dense(units=10))

model.add(Activation("softmax"))

完成模型的搭建后，我們需要使用 .compile() 方法來編譯模型：

model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

模型編譯時必須指明損失函數(shù)和優(yōu)化器。Keras 的核心理念就是簡便快捷，操作容易。用戶可以根據(jù)自己的實際需要定制自己的模型、網(wǎng)絡(luò)層，甚至修改源代碼。比如，我們使用自定義的 SGD 優(yōu)化器：

from keras.optimizers import SGD

model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01. momentum=0.9. nesterov=True))

模型編譯完成之后，我們在訓練數(shù)據(jù)上按 batch 進行一定次數(shù)的迭代來訓練網(wǎng)絡(luò)：

model.fit(x_train, y_train, epochs=5. batch_size=32)

如果我們采用手動方法，將一個個 batch 的數(shù)據(jù)送入網(wǎng)絡(luò)中訓練，需要使用：

model.train_on_batch(x_batch, y_batch)

隨后，我們可以用這一行代碼來評估模型，確定模型的指標是否能夠滿足我們的要求：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者，我們可以使用此模型，預(yù)測新數(shù)據(jù)：

classes = model.predict(x_test, batch_size=128)