简介

Keras是一个高层神经网络API，Keras由纯Python编写而成并基于Tensorflow、Theano和CNTK后端。Keras 支持快速实验，能够把你的idea迅速转换为结果，适用场景：

• 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的使用

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。

Sequential模型如下:

from keras.models import Sequential  
from keras.layers import Dense, Activation  
  
model = Sequential()

model.add(Dense(units=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(units=10))
model.add(Activation("softmax"))

在Keras 0.x中，模型其实有两种，一种叫Sequential，称为序贯模型，也就是单输入单输出，一条路通到底，层与层之间只有相邻关系，跨层连接统统没有。这种模型编译速度快，操作上也比较简单。第二种模型称为Graph，即图模型，这个模型支持多输入多输出，层与层之间想怎么连怎么连，但是编译速度慢。在Keras1和Keras2中，图模型被移除，而增加了了“functional model API”，这个东西，更加强调了Sequential是特殊情况这一点。一般的模型就称为Model，然后如果你要用简单的Sequential，OK，那还有一个快捷方式Sequential。

另外还可以通过将一个层列表传递到构建器的方式创建Sequential：

model = Sequential([  
    Dense(32, input_shape=(784,)),  
    Activation('relu'),  
    Dense(10),  
    Activation('softmax'),  
])

模型需要知道预期的输入形状，因此Sequential模型的第一层（只需第一层，因为后面的层能自动计算形状）需要收到输入形状的信息。有几种方式可以实现：

*将input_shape申明传入第一层。这是一个形状元组（整数或None，None意味可能是任意正整数），这里不包含批次维度。

*一些2D层如Dense，通过申明input_dim支持指明输入形状，一些3D的时序层支持申明input_dim和input_length。

*如果需要指明固定的输入批次规模（对状态循环网络有用），可以将batch_size申明传入一个层。如果传入batch_size=32和input_shape(6, 8)至一个层，它将期望所有输入批次形状为（32，6，8）。

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，训练模型前应设置学习进程，通过compile方法实现，它接受3个申明：

• 优化器，可以是现成的优化器如rmsprop或者adagrad，或者是自定义Optimizer类的实例。

• 损失函数，模型要最小化的对象，可以是现成的如categorical_crossentropy或者mse，或者自定义。

• 度量列表，对于分类问题我们使用metrics=[‘accuracy’]，可以是其它现成度量或自定义。

# 自定义模型的相关参数
from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

lr表示学习速率,momentum表示动量项，decay是学习速率的衰减系数(每个epoch衰减一次),Nesterov的值是False或者True，表示使不使用Nesterov momentum。

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)

Keras提供了三种后端引擎Theano/Tensorflow/CNTK，并将其函数统一封装，使得用户可以以同一个接口调用不同后端引擎的函数。

• Theano是一个开源的符号主义张量操作框架，由蒙特利尔大学LISA/MILA实验室开发。
• TensorFlow是一个符号主义的张量操作框架，由Google开发。
• CNTK是一个由微软开发的商业级工具包。

将backend字段的值改写为你需要使用的后端：theano或tensorflow或者CNTK，即可完成后端的切换。我们也可以通过定义环境变量KERAS_BACKEND来覆盖上面配置文件中定义的后端：

KERAS_BACKEND=tensorflow python -c "from keras import backend;"
Using TensorFlow backend

张量可以看作是向量、矩阵的自然推广，我们用张量来表示广泛的数据类型。

参考：

1. keras —— 常用模型构建
2. 快速开始：30s上手Keras
3. DeepLearning tutorial（6）易用的深度学习框架Keras简介——具有构建CNN的代码
4. 利用keras搭建神经卷积网络（CNN）