2019独角兽企业重金招聘Python工程师标准>>> 
Keras深度学习框架中文文档
- Keras官网：http://keras.io/
- Github项目：https://github.com/fchollet/keras
- 中文文档主页：http://keras-cn.readthedocs.io/en/latest/
- Github中文文档：https://github.com/MoyanZitto/keras-cn.git
快速开始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。Sequential模型如下：
from keras.models import Sequentialmodel = 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.core import Dense, Activationmodel.add(Dense(output_dim=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(output_dim=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使得事情在简单的同时，保证用户对他们希望做的事情有足够的控制力度（最绝对的控制来自于源代码的可扩展性）
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训练，以拟合网络：
model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)
当然，我们也可以手动将一批批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=32)
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_classes(X_test, batch_size=32)
proba = model.predict_proba(X_test, batch_size=32)
