Keras：Python深度学习库简介

Keras：Python深度学习库简介

Keras是一个高级神经网络API，用Python编写，能够在TensorFlow，CNTK或Theano之上运行。 它的开发重点是实现快速开发。 能够以最小的时间成本从理论到结果，这也进行快速研究验证的关键。

如果您需要深度学习库，请使用Keras：

1. 允许简单快速的原型设计（通过用户友好接口，模块化和可扩展性）。
2. 支持卷积网络和循环网络，以及两者的组合。
3. 在CPU和GPU上无缝运行。

30秒入门Keras

Keras的核心数据结构是一种模型，一种组织层的方式。 最简单的模型是Sequential模型，一个线性的层叠。 对于更复杂的体系结构，您应该使用Keras功能API，它允许构建任意图层图。
这是Sequential模型：

from keras.models import Sequential

model = Sequential()

堆叠图层用.add（）：

from keras.layers import Dense

model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

一旦您的模型完成，请使用.compile（）配置其学习过程：

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

如果需要，您可以进一步配置优化程序。 Keras的核心原则是使事情变得简单，同时允许用户在需要时完全控制（最终控制是源代码的易扩展性）。

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

您现在可以批量迭代您的训练数据：

# x_train and y_train are Numpy arrays --just like in the Scikit-Learn API.
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，您可以手动将批次提供给模型：

model.train_on_batch(x_batch, y_batch)

在验证批次中评估：

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

或者生成对新数据的预测：

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

构建问答系统，图像分类模型，神经图灵机或任何其他模型同样快。深度学习背后的想法很简单，那么为什么他们的开发会很痛苦呢？

Keras优先考虑开发人员的体验

1. Keras是专为人类而非机器设计的API。 Keras遵循降低认知负荷的最佳实践。 这使得Keras易学易用。
2. 作为Keras用户，您可以更高效地工作，让您比竞争对手更快地尝试更多创意 - 这反过来又可以帮助您赢得机器学习竞赛。 作为Keras用户，您可以更高效地工作，让您比竞争对手更快地尝试更多创意 - 这反过来又可以帮助您赢得机器学习竞赛。
3. 这种易用性不会以降低灵活性为代价.