一， 简介

• Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。
• 允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
• 同时支持卷积神经网络和循环神经网络，以及两者的组合。
• 在 CPU 和 GPU 上无缝运行。
• Keras 兼容的 Python 版本: Python 2.7-3.6。
• Keras 的核心数据结构是 model，一种组织网络层的方式。最简单的模型是 Sequential 顺序模型，它由多个网络层线性堆叠。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。

二，安装与导库

1，安装

pip install Keras

2，导库

在使用tensorflow2.0时，遇到了这个问题:

使用TensorFlow的实现，tf.keras。这个适用于TF 2。
例如你需要使用tf.keras，必须确保使用正确的导入：

from tensorflow import keras
# 而不是直接使用：import keras

在要使用keras下的其他模块时：

from tensorflow.keras import layers
# 而不是使用 from keras import layers

三，Keras Sequential 顺序模型

1，创建一个 Sequential 模型

• 可以通过将网络层实例的列表传递给 Sequential 的构造器，来创建一个 Sequential 模型：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation

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

• 也可以简单地使用.add()方法将各层添加到模型中：

model = Sequential()
model.add(Dense(32, input_dim=784))  # 全连接层, 现在模型就会以尺寸为 (*, 784) 的数组作为输入，
# 其输出数组的尺寸为 (*, 32)
model.add(Activation('relu'))

2, 指定输入数据的尺寸

模型需要知道它所期望的输入的尺寸。出于这个原因，顺序模型中的第一层（且只有第一层，因为下面的层可以自动地推断尺寸）需要接收关于其输入尺寸的信息。有几种方法来做到这一点：

• 传递一个 input_shape 参数给第一层。它是一个表示尺寸的元组 (一个由整数或 None 组成的元组，其中 None 表示可能为任何正整数)。在 input_shape 中不包含数据的 batch 大小。
• 某些 2D 层，例如 Dense，支持通过参数input_dim 指定输入尺寸，某些 3D 时序层支持input_dim 和input_length参数。
• 如果你需要为你的输入指定一个固定的batch大小（这对 stateful RNNs 很有用），你可以传递一个 batch_size 参数给一个层。如果你同时将batch_size=32 和input_shape=(6, 8) 传递给一个层，那么每一批输入的尺寸就为(32，6，8)。
  因此，下面的代码片段是等价的：

model = Sequential()
model.add(Dense(32, input_shape=(784,)))

model = Sequential()
model.add(Dense(32, input_dim=784))

3，模型编译

在训练模型之前，需要配置学习过程，这是通过compile方法完成的。它接收三个参数：

• 优化器optimizer。它可以是现有优化器的字符串标识符，如 rmsprop 或adagrad，也可以是 Optimizer 类的实例。详见：optimizers。
• 损失函数loss，模型试图最小化的目标函数。它可以是现有损失函数的字符串标识符，如 categorical_crossentropy 或 mse，也可以是一个目标函数。详见：losses。
• 评估标准 metrics。对于任何分类问题，你都希望将其设置为 metrics = ['accuracy']。评估标准可以是现有的标准的字符串标识符，也可以是自定义的评估标准函数。

# 多分类问题
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 二分类问题
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 均方误差回归问题
model.compile(optimizer='rmsprop',
              loss='mse')

# 自定义评估标准函数
import keras.backend as K

def mean_pred(y_true, y_pred):
    return K.mean(y_pred)

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy', mean_pred])

4，模型训练

Keras 模型在输入数据和标签的 Numpy 矩阵上进行训练。为了训练一个模型，通常会使用 fit 函数。

# 对于具有 2 个类的单输入模型（二进制分类）：

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 生成虚拟数据
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))

# 训练模型，以 32 个样本为一个 batch 进行迭代
model.fit(data, labels, epochs=10, batch_size=32)

参考资料：
Keras中文文档：https://keras.io/zh/