Keras Python深度學習庫簡介

keras是乙個高階神經網路api，用python編寫，能夠在tensorflow，cntk或theano之上執行。它的開發重點是實現快速開發。能夠以最小的時間成本從理論到結果，這也進行快速研究驗證的關鍵。

如果您需要深度學習庫，請使用keras：

允許簡單快速的原型設計（通過使用者友好介面，模組化和可擴充套件性）。

支援卷積網路和迴圈網路，以及兩者的組合。

在cpu和gpu上無縫執行。

keras的核心資料結構是一種模型，一種組織層的方式。最簡單的模型是sequential模型，乙個線性的層疊。對於更複雜的體系結構，您應該使用keras功能api，它允許構建任意圖層圖。

這是sequential模型：

from keras.models import sequential
model = sequential()

堆疊圖層用.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，請使用.compile（）配置其學習過程：

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

如果需要，您可以進一步配置優化程式。 keras的核心原則是使事情變得簡單，同時允許使用者在需要時完全控制（最終控制是源**的易擴充套件性）。

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

您現在可以批量迭代您的訓練資料：

# 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，您可以手動將批次提供給模型：

model.train_on_batch(x_batch, y_batch)

在驗證批次中評估：

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

或者生成對新資料的**：

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

構建問答系統，影象分類模型，神經圖靈機或任何其他模型同樣快。深度學習背後的想法很簡單，那麼為什麼他們的開發會很痛苦呢？

keras是專為人類而非機器設計的api。 keras遵循降低認知負荷的最佳實踐。這使得keras易學易用。

作為keras使用者，您可以更高效地工作，讓您比競爭對手更快地嘗試更多創意 - 這反過來又可以幫助您贏得機器學習競賽。作為keras使用者，您可以更高效地工作，讓您比競爭對手更快地嘗試更多創意 - 這反過來又可以幫助您贏得機器學習競賽。

這種易用性不會以降低靈活性為代價.