深度学习库 Keras 文档指南
问题导读：1. 什么是Keras？
2. 如何快速上手Keras？
3. 如何安装Keras？
4. 如何切换Kears的后端？
static/image/hrline/4.gif
这就是 Keras
Keras是一个高层神经网络API，Keras由纯Python编写而成并基于Tensorflow（https://github.com/tensorflow/tensorflow）、Theano（https://github.com/Theano/Theano）以及CNTK（https://github.com/Microsoft/cntk）后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：
[*]简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
[*]支持CNN和RNN，或二者的结合
[*]无缝CPU和GPU切换
Keras适用的Python版本是：Python 2.7-3.6
Keras的设计原则是
[*]用户友好：Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践：Keras提供一致而简洁的API， 能够极大减少一般应用下用户的工作量，同时，Keras提供清晰和具有实践意义的bug反馈。
[*]模块性：模型可理解为一个层的序列或数据的运算图，完全可配置的模块可以用最少的代价自由组合在一起。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块，你可以使用它们来构建自己的模型。
[*]易扩展性：添加新模块超级容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
[*]与Python协作：Keras没有单独的模型配置文件类型（作为对比，caffe有），模型由python代码描述，使其更紧凑和更易debug，并提供了扩展的便利性。
关于Keras-cn
本文档是Keras文档的中文版，包括keras.io(http://keras.io/)的全部内容，以及更多的例子、解释和建议
现在，keras-cn的版本号将简单的跟随最新的keras release版本
由于作者水平和研究方向所限，无法对所有模块都非常精通，因此文档中不可避免的会出现各种错误、疏漏和不足之处。如果您在使用过程中有任何意见、建议和疑问，欢迎大家一起交流。
当前版本与更新
如果你发现本文档提供的信息有误，有两种可能：
[*]你的Keras版本过低：记住Keras是一个发展迅速的深度学习框架，请保持你的Keras与官方最新的release版本相符
[*]我们的中文文档没有及时更新：如果是这种情况，请发邮件给我，我会尽快更新
目前文档的版本号是2.0.9，对应于官方的2.0.9 release 版本, 本次更新的主要内容是：
[*]recurrent新增ConvLSTM2D,SimpleRNNCell, LSTMCell, GRUCell, StackedRNNCells, CuDNNGRE, CuDNNLSTM层
[*]application中新增了模型InceptionResNetV2
[*]datasets新增fasion mnist
[*]FAQ新增Keras的多GPU卡运行指南
[*]utils新增多卡支持函数multi_gpu_model
[*]model.compile和model.fit API更新
[*]由于年久失修，深度学习与Keras栏目中的很多内容的代码已经不再可用，我们决定在新的文档中移除这部分。仍然想访问这些内容（以及已经被移除的一些层，如Maxout）的文档的同学，请下载中文文档（https://github.com/MoyanZitto/keras-cn）的legacy文件夹，并使用文本编辑器（如sublime）打开对应.md文件。
[*]修正了一些错误，感谢@孙永海，@Feng Ying的指正
[*]此外，Keras2.0.4中文文档存在离线版本，这个版本的keras对大多数用户而言已经足够使用了。下载地址在百度云盘（http://pan.baidu.com/s/1geHmOpH）
注意，keras在github上的master往往要高于当前的release版本，如果你从源码编译keras，可能某些模块与文档说明不相符，请以官方Github代码为准
快速开始：30s上手Keras
Keras的核心数据结构是“模型”，模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型，Sequential是一系列网络层按顺序构成的栈。你也可以查看函数式模型（https://keras-cn.readthedocs.io/ ... ted/functional_API/）来学习建立更复杂的模型
Sequential模型如下from keras.models import Sequential
model = Sequential()
将一些网络层通过.add()堆叠起来，就构成了一个模型：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，我们需要使用.compile()方法来编译模型：model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
编译模型时必须指明损失函数和优化器，如果你需要的话，也可以自己定制损失函数。Keras的一个核心理念就是简明易用，同时保证用户对Keras的绝对控制力度，用户可以根据自己的需要定制自己的模型、网络层，甚至修改源代码。from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))
完成模型编译后，我们在训练数据上按batch进行一定次数的迭代来训练网络model.fit(x_train, y_train, epochs=5, batch_size=32)当然，我们也可以手动将一个个batch的数据送入网络中训练，这时候需要使用：model.train_on_batch(x_batch, y_batch)随后，我们可以使用一行代码对我们的模型进行评估，看看模型的指标是否满足我们的要求：loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)或者，我们可以使用我们的模型，对新的数据进行预测：classes = model.predict(x_test, batch_size=128)搭建一个问答系统、图像分类模型，或神经图灵机、word2vec词嵌入器就是这么快。支撑深度学习的基本想法本就是简单的，现在让我们把它的实现也变的简单起来！
为了更深入的了解Keras，我们建议你查看一下下面的两个tutorial
[*]快速开始Sequntial模型
[*]快速开始函数式模型
还有我们的新手教程，虽然是面向新手的，但我们阅读它们总是有益的：
[*]Keras新手指南
在Keras代码包的examples文件夹里，我们提供了一些更高级的模型：基于记忆网络的问答系统、基于LSTM的文本的文本生成等。
安装
Keras使用了下面的依赖包，三种后端必须至少选择一种，我们建议选择tensorflow。
[*]numpy，scipy
[*]pyyaml
[*]HDF5, h5py（可选，仅在模型的save/load函数中使用）
[*]如果使用CNN的推荐安装cuDNN
当使用TensorFlow为后端时：
[*]TensorFlow(https://www.tensorflow.org/install/)
当使用Theano作为后端时：
[*]Theano(http://deeplearning.net/software/theano/install.html#install)
当使用CNTK作为后端时：
[*]CNTK(https://docs.microsoft.com/en-us ... ntk-on-your-machine)
“后端”翻译自backend，指的是Keras依赖于完成底层的张量运算的软件包。从源码安装Keras时，首先git clone keras的代码：git clone https://github.com/fchollet/keras.git
接着 cd 到Keras的文件夹中，并运行下面的安装命令：sudo python setup.py install你也可以使用PyPI来安装Kerassudo pip install keras如果你用的是virtualenv虚拟环境，不要用sudo就好。
在Theano、CNTK、TensorFlow间切换
Keras默认使用TensorFlow作为后端来进行张量操作，如需切换到Theano，请查看这里(https://keras-cn.readthedocs.io/en/latest/backend)
技术支持
你可以在下列网址提问或加入Keras开发讨论:
[*]Keras Google group(https://groups.google.com/forum/#!forum/keras-users)
[*]Keras Slack channel(https://kerasteam.slack.com/),点击这里获得邀请.
你也可以在Github issues里提问或请求新特性。在提问之前请确保你阅读过我们的指导
来源：https://keras-cn.readthedocs.io/en/latest/
作者：MoyanZitto
页:
[1]