什么是Keras？ 深度神经网络API解释
尽管深度神经网络风靡一时，但是对于刚接触机器学习的开发人员而言，主要框架的复杂性已成为其使用障碍。 对于构建神经网络模型的改进和简化的高级API，已经提出了一些建议，所有这些建议从远处看似相似，但在仔细检查时会显示出差异。
Keras是领先的高级神经网络API之一。 它是用Python编写的，并且支持多个后端神经网络计算引擎。
Keras和TensorFlow
鉴于TensorFlow项目已将Keras用作即将发布的TensorFlow 2.0版本的高级API，因此Keras看起来是一个赢家，即使不一定是赢家。 在本文中，我们将探讨Keras的原理和实现，以期了解为什么它是对底层深度学习API的改进。
即使在TensorFlow 1.12中，官方的TensorFlow入门教程也使用嵌入在TensorFlow中的高级Keras API tf.keras 。 相比之下， TensorFlow Core API需要使用TensorFlow计算图，张量，运算和会话，其中一些在刚开始使用TensorFlow时可能很难理解。 使用低级TensorFlow Core API有一些优势，主要是在调试时使用，但是幸运的是，您可以根据需要混合使用高级和低级TensorFlow API。
Keras原则
Keras的创建是为了用户友好，模块化，易于扩展以及与Python一起使用。 该API是“为人类而不是为机器设计的”，并且“遵循了减少认知负担的最佳实践。”
神经层，成本函数，优化器，初始化方案，激活函数和正则化方案都是独立的模块，您可以将其组合以创建新模型。 新模块很容易添加，就像新的类和功能一样。 模型是用Python代码定义的，而不是单独的模型配置文件。
为什么选择Keras？
使用Keras的最大原因来自其指导原则，主要是关于用户友好的原则。 除了易于学习和易于建模之外，Keras还具有广泛采用，支持广泛的生产部署选项，与至少五个后端引擎（TensorFlow，CNTK，Theano，MXNet和PlaidML）集成的优势，以及对多个GPU和分布式培训的强大支持。 另外，Keras得到了Google，Microsoft，Amazon，Apple，Nvidia，Uber等公司的支持。
Keras后端
正确的Keras不会做自己的底层操作，例如张量积和卷积； 它依赖于后端引擎。 即使Keras支持多个后端引擎，其主要（默认）后端是TensorFlow，其主要支持者是Google。 tf.keras API以tf.keras打包在TensorFlow中， tf.keras ，它将成为TensorFlow 2.0的主要TensorFlow API。
要更改后端，只需编辑$HOME/.keras/keras.json文件并指定其他后端名称，例如theano或CNTK 。 另外，您可以使用os.environ["KERAS_BACKEND"]属性在外壳程序或Python代码中定义环境变量KERAS_BACKEND来覆盖已配置的后端。
Keras模型
该模型是Keras的核心数据结构。 Keras中提供了两种主要的模型类型 ： Sequential模型和与功能性API一起使用的Model类。
Keras顺序模型
Sequential模型是层的线性堆叠，可以非常简单地描述层。 这是model.add()文档中的一个示例，该示例使用model.add()在Sequential模型中定义两个密集层：
import keras
from keras.models import Sequential
from keras.layers import Dense
#Create Sequential model with Dense layers, using the add method
model = Sequential()
#Dense implements the operation:
# output = activation(dot(input, kernel) + bias)
#Units are the dimensionality of the output space for the layer,
# which equals the number of hidden units
#Activation and loss functions may be specified by strings or classes
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))
#The compile method configures the model’s learning process
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metrics=['accuracy'])
#The fit method does the training in batches
# 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)
#The evaluate method calculates the losses and metrics
# for the trained model
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
#The predict method applies the trained model to inputs
# to generate outputs
classes = model.predict(x_test, batch_size=128)上面代码中的注释值得阅读。 值得一提的是，与低级TensorFlow API相比，实际代码中几乎没有多余的东西。 每个层定义都需要一行代码，编译（学习过程定义）需要一行代码，而拟合（训练），评估（计算损失和度量）以及从受过训练的模型预测输出都需要一行代码。
Keras功能API
Keras顺序模型很简单，但模型拓扑有限。 Keras功能API可用于创建复杂的模型，例如多输入/多输出模型，有向无环图（DAG）和具有共享层的模型。
功能性API使用与顺序模型相同的层，但在将它们组合在一起时提供了更大的灵活性。 在功能性API中，您首先定义图层，然后创建模型，对其进行编译和拟合（训练）。 评估和预测与顺序模型基本相同，因此在下面的示例代码中已将其省略。
from keras.layers import Input, Dense
from keras.models import Model
# This returns a tensor
inputs = Input(shape=(784,))
# a layer instance is callable on a tensor, and returns a tensor
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)
# This creates a model that includes
# the Input layer and three Dense layers
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
model.fit(data, labels) # starts trainingKeras图层
在前面的示例中，我们仅使用了Dense层。 Keras有多种预定义的图层类型可供选择，还支持编写自己的图层。
核心层包括Dense （点积加偏差）， Activation （传递函数或神经元形状）， Dropout （每次训练更新时将输入单位的一部分随机设置为0，以避免过度拟合）， Lambda （将任意表达式包装为Layer对象） ），以及其他几个。 卷积层（使用过滤器创建特征图）从1D到3D，并且包括最常见的变体，例如每个维度的裁剪和转置卷积层。 受视觉皮层功能启发的2D卷积通常用于图像识别。
池化（降级）层从1D到3D，包括最常见的变体，例如最大池化和平均池化。 本地连接的层的作用类似于卷积层，只是权重是不共享的。 循环层包括简单（完全连接的循环），门控，LSTM等。 这些对于语言处理以及其他应用程序很有用。 噪声层有助于避免过度拟合。
Keras数据集
keras.datasets通过keras.datasets类提供了七个常见的深度学习样本数据集。 其中包括cifar10和cifar100彩色小图像，IMDB电影评论，路透社新闻专栏，MNIST手写数字，MNIST时尚图像以及波士顿房价。
Keras应用程序和示例
Keras还提供了十种著名的模型，称为Keras应用程序，它们针对ImageNet进行了预训练 ：Xception，VGG16，VGG19，ResNet50，InceptionV3，InceptionResNetV2，MobileNet，DenseNet，NASNet，MobileNetV2TK。 您可以使用它们来预测图像的分类，从图像中提取特征，并在不同的类集上微调模型。
顺便说一下，对现有模型进行微调是加快训练速度的好方法。 例如，您可以根据需要添加图层，冻结基础图层以训练新图层，然后解冻某些基础图层以微调训练。 您可以通过设置layer.trainable = False冻结图层。
Keras示例存储库包含40多个示例模型。 它们涵盖视觉模型，文本和序列以及生成模型。
部署Keras
Keras模型可以部署在广泛的平台上，可能比其他任何深度学习框架都多。 其中包括通过CoreML （Apple支持）的iOS ； Android，通过TensorFlow Android运行时 ； 在浏览器中，通过Keras.js和WebDNN ； 通过TensorFlow-Serving在Google Cloud上 在Python webapp后端 ; 在JVM上， 通过DL4J模型导入 ； 并在Raspberry Pi上。
要开始使用Keras，请阅读文档 ，检查代码存储库 ， 安装TensorFlow（或其他后端引擎）和Keras ，并尝试使用Keras Sequential模型的入门教程 。 从那里您可以继续学习其他教程，并最终探索Keras示例 。
From: https://www.infoworld.com/article/3336192/what-is-keras-the-deep-neural-network-api-explained.html