Keras:基于Python的深度学习库
轉載：https://keras-cn.readthedocs.io/en/latest/
這就是Keras
Keras是一個高層神經網絡API，Keras由純Python編寫而成并基Tensorflow、Theano以及CNTK后端。Keras 為支持快速實驗而生，能夠把你的idea迅速轉換為結果，如果你有如下需求，請選擇Keras：
- 簡易和快速的原型設計（keras具有高度模塊化，極簡，和可擴充特性）
- 支持CNN和RNN，或二者的結合
- 無縫CPU和GPU切換
Keras適用的Python版本是：Python 2.7-3.6
Keras的設計原則是
-
用戶友好：Keras是為人類而不是天頂星人設計的API。用戶的使用體驗始終是我們考慮的首要和中心內容。Keras遵循減少認知困難的最佳實踐：Keras提供一致而簡潔的API， 能夠極大減少一般應用下用戶的工作量，同時，Keras提供清晰和具有實踐意義的bug反饋。
-
模塊性：模型可理解為一個層的序列或數據的運算圖，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，網絡層、損失函數、優化器、初始化策略、激活函數、正則化方法都是獨立的模塊，你可以使用它們來構建自己的模型。
-
易擴展性：添加新模塊超級容易，只需要仿照現有的模塊編寫新的類或函數即可。創建新模塊的便利性使得Keras更適合于先進的研究工作。
-
與Python協作：Keras沒有單獨的模型配置文件類型（作為對比，caffe有），模型由python代碼描述，使其更緊湊和更易debug，并提供了擴展的便利性。
關于Keras-cn
本文檔是Keras文檔的中文版，包括keras.io的全部內容，以及更多的例子、解釋和建議
現在，keras-cn的版本號將簡單的跟隨最新的keras release版本
由于作者水平和研究方向所限，無法對所有模塊都非常精通，因此文檔中不可避免的會出現各種錯誤、疏漏和不足之處。如果您在使用過程中有任何意見、建議和疑問，歡迎發送郵件到moyan_work@foxmail.com與我取得聯系。
您對文檔的任何貢獻，包括文檔的翻譯、查缺補漏、概念解釋、發現和修改問題、貢獻示例程序等，均會被記錄在致謝，十分感謝您對Keras中文文檔的貢獻！
如果你發現本文檔缺失了官方文檔的部分內容，請積極聯系我補充。
本文檔相對于原文檔有更多的使用指導和概念澄清，請在使用時關注文檔中的Tips，特別的，本文檔的額外模塊還有：
-
Keras新手指南：我們新提供了“Keras新手指南”的頁面，在這里我們對Keras進行了感性介紹，并簡單介紹了Keras配置方法、一些小知識與使用陷阱，新手在使用前應該先閱讀本部分的文檔。
-
Keras資源：在這個頁面，我們羅列一些Keras可用的資源，本頁面會不定期更新，請注意關注
-
深度學習與Keras：位于導航欄最下方的該模塊翻譯了來自Keras作者博客keras.io?和其他Keras相關博客的文章，該欄目的文章提供了對深度學習的理解和大量使用Keras的例子，您也可以向這個欄目投稿。 所有的文章均在醒目位置標志標明來源與作者，本文檔對該欄目文章的原文不具有任何處置權。如您仍覺不妥，請聯系本人（moyan_work@foxmail.com）刪除。
當前版本與更新
如果你發現本文檔提供的信息有誤，有兩種可能：
-
你的Keras版本過低：記住Keras是一個發展迅速的深度學習框架，請保持你的Keras與官方最新的release版本相符
-
我們的中文文檔沒有及時更新：如果是這種情況，請發郵件給我，我會盡快更新
目前文檔的版本號是2.0.9，對應于官方的2.0.9 release 版本, 本次更新的主要內容是：
- recurrent新增ConvLSTM2D,SimpleRNNCell, LSTMCell, GRUCell, StackedRNNCells, CuDNNGRE, CuDNNLSTM層
- application中新增了模型InceptionResNetV2
- datasets新增fasion mnist
- FAQ新增Keras的多GPU卡運行指南
- utils新增多卡支持函數multi_gpu_model
- model.compile和model.fit API更新
- 由于年久失修，深度學習與Keras欄目中的很多內容的代碼已經不再可用，我們決定在新的文檔中移除這部分。仍然想訪問這些內容（以及已經被移除的一些層，如Maxout）的文檔的同學，請下載中文文檔的legacy文件夾，并使用文本編輯器（如sublime）打開對應.md文件。
- 修正了一些錯誤，感謝@孫永海，@Feng Ying的指正
- 此外，感謝@zh777k制作了Keras2.0.4中文文檔的離線版本，對于許多用戶而言，這個版本的keras對大多數用戶而言已經足夠使用了。下載地址在百度云盤
注意，keras在github上的master往往要高于當前的release版本，如果你從源碼編譯keras，可能某些模塊與文檔說明不相符，請以官方Github代碼為準
快速開始：30s上手Keras
Keras的核心數據結構是“模型”，模型是一種組織網絡層的方式。Keras中主要的模型是Sequential模型，Sequential是一系列網絡層按順序構成的棧。你也可以查看函數式模型來學習建立更復雜的模型
Sequential模型如下
from keras.models import Sequentialmodel = Sequential()將一些網絡層通過.add()堆疊起來，就構成了一個模型：
from keras.layers import Dense, Activationmodel.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'])編譯模型時必須指明損失函數和優化器，如果你需要的話，也可以自己定制損失函數。Keras的一個核心理念就是簡明易用同時，保證用戶對Keras的絕對控制力度，用戶可以根據自己的需要定制自己的模型、網絡層，甚至修改源代碼。
from keras.optimizers import SGD model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))完成模型編譯后，我們在訓練數據上按batch進行一定次數的迭代來訓練網絡
model.fit(x_train, y_train, epochs=5, batch_size=32)當然，我們也可以手動將一個個batch的數據送入網絡中訓練，這時候需要使用：
model.train_on_batch(x_batch, y_batch)隨后，我們可以使用一行代碼對我們的模型進行評估，看看模型的指標是否滿足我們的要求：
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)或者，我們可以使用我們的模型，對新的數據進行預測：
classes = model.predict(x_test, batch_size=128)搭建一個問答系統、圖像分類模型，或神經圖靈機、word2vec詞嵌入器就是這么快。支撐深度學習的基本想法本就是簡單的，現在讓我們把它的實現也變的簡單起來！
為了更深入的了解Keras，我們建議你查看一下下面的兩個tutorial
- 快速開始Sequntial模型
- 快速開始函數式模型
還有我們的新手教程，雖然是面向新手的，但我們閱讀它們總是有益的：
- Keras新手指南
在Keras代碼包的examples文件夾里，我們提供了一些更高級的模型：基于記憶網絡的問答系統、基于LSTM的文本的文本生成等。
安裝
Keras使用了下面的依賴包，三種后端必須至少選擇一種，我們建議選擇tensorflow。
-
numpy，scipy
-
pyyaml
-
HDF5, h5py（可選，僅在模型的save/load函數中使用）
-
如果使用CNN的推薦安裝cuDNN
當使用TensorFlow為后端時：
- TensorFlow
當使用Theano作為后端時：
- Theano
當使用CNTK作為后端時：
- CNTK
“后端”翻譯自backend，指的是Keras依賴于完成底層的張量運算的軟件包。
從源碼安裝Keras時，首先git clone keras的代碼：
git clone https://github.com/fchollet/keras.git接著cd到Keras的文件夾中，并運行下面的安裝命令：
sudo python setup.py install你也可以使用PyPI來安裝Keras
sudo pip install keras如果你用的是virtualenv虛擬環境，不要用sudo就好。
詳細的Windows和Linux安裝教程請參考“Keras新手指南”中給出的安裝教程，特別鳴謝SCP-173編寫了這些教程
在Theano、CNTK、TensorFlow間切換
Keras默認使用TensorFlow作為后端來進行張量操作，如需切換到Theano，請查看這里
技術支持
你可以在下列網址提問或加入Keras開發討論:
- Keras Google group
- Keras Slack channel,點擊這里獲得邀請.
你也可以在Github issues里提問或請求新特性。在提問之前請確保你閱讀過我們的指導
另外，對于習慣中文的用戶，我們推薦在“集智”平臺提問，該平臺由Kaiser等搭建，支持在線代碼運行環境，我本人會經常訪問該網站解答問題
總結
以上是生活随笔為你收集整理的Keras:基于Python的深度学习库的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 团队项目-需求分析
- 下一篇： Stream、FileStream、Me