keras 擁有以下重要功能：
keras 擁有超過 200,000 的使用者，其中大公司有 google, netflix, uber, cern, yelp, square 等。keras 也是「開搞」（kaggle）的流行框架。
用 keras 進行開發
keras 開發的流程是這樣的：
定義訓練用的資料：輸入張量和目標張量。
定義層（或模型）的網路，把輸入對映到目標。
設定學習過程：選擇損失函式、優化器，以及若干監測指標。
用 fit() 函式，迭代訓練模型。
定義模型有兩種方法：一是用 sequential 類（僅用於層的線性棧，這是最常見的網路架構）；二是用函式式介面 （對於多個層構成的有向無環圖，可完整建造各種架構的網路）。這裡有個用 sequential 類定義的兩層模型：
from keras import models
from keras import layers
model = models.sequential()
model.add(layers.dense(32, activation='relu', input_shape=(784,)))
model.add(layers.dense(10, activation='softmax'))
input_tensor = layers.input(shape=(784,))
x = layers.dense(32, activation='relu')(input_tensor)
output_tensor = layers.dense(10, activation='softmax')(x)
model = models.model(inputs=input_tensor, outputs=output_tensor)
在模型架構確定之後，使用 sequential 模型或函式式介面都行，接下來的步驟是相同的。學習過程是在編譯時設定，此時指定優化器和損失函式，以及訓練過程中的監測指標。下面是常見的使用單個損失函式的例子：
from keras import optimizers
model.compile(optimizer=optimizers.rmsprop(lr=0.001),
loss='mse',
metrics=['accuracy'])
model.fit(input_tensor, target_tensor, batch_size=128, epochs=10)影象處理的卷積網路和處理序列的迴圈網路，在 cpu （即使是多核的）上跑得極慢。同樣的應用，在 gpu 上跑比在 cpu 上跑快 5 至 10 倍。
也可選擇在谷歌或者其他商家提供的雲平台上，以其提供的 gpu 實驗你的應用，但需支付高額費用。
你的本地機器，最好使用 unix 工作站。我們不推薦在 windows 平台上跑 keras 。在 ubuntu 上跑 keras，節省時間並減少麻煩。
為了使用 keras，需要安裝 tensorflow 或者 cntk 、theano 。本書用的底層是 tensorflow 。
深度學習，哪種 gpu 最好 ？
你只能使用 nvidia 公司的 gpu，在其產品中選擇。
聽它爹說他孩兒 Keras 學習筆記 3 4
如前所見，我們首個神經網路的各層這樣來轉化資料 output relu dot w,input b 在此，w 和 b 是張量，是層的屬性。它們被叫做層的權重或者可訓練的引數。權重 w 是核心屬性，b 是偏置屬性。權重包含的資訊，用於網路訓練資料的學習。起初，權重矩陣填充的是些微小的隨機數，叫做隨機初...
聽它爹說他孩兒 Keras 學習筆記 4 1
這是 deep learning with python 第 3 章的學習筆記。本章內容包括 你已經知道，神經網路的訓練涉及如下東西 層 深度學習的建築構件 層是神經網路的基本資料結構。層是資料處理模組，層的輸入和輸出是乙個或多個張量。有些層沒有狀態表示，但更多常見的層有個狀態表示 層的權重。權重包...
聽它爹說他孩兒 Keras 學習筆記 5 2
減小網路尺寸 防止過度擬合最簡單的辦法是減小網路尺寸，即減少模型可學習引數的數目。決定模型引數多少的，是層的數目和每層單元的數目。模型的引數越多，儲存容量越大，表示訓練樣本及其目標影射關係的詞典效能越好。例如，具有 500,000 二值引數的模型，可以輕鬆學會 mnist 訓練集全部數字的分類。要永...