Keras:基于Theano和TensorFlow的深度学习库
这就是Keras
Keras是一个高层神经网络库，Keras由纯Python编写而成并基Tensorflow或Theano。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：
- 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
- 支持任意的链接方案（包括多输入和多输出训练）
- 无缝CPU和GPU切换
Keras适用的Python版本是：Python 2.7-3.5
Keras的设计原则是
模块性：模型可理解为一个独立的序列或图，完全可配置的模块以最少的代价自由组合在一起。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块，你可以使用它们来构建自己的模型。
极简主义：每个模块都应该尽量的简洁。每一段代码都应该在初次阅读时都显得直观易懂。没有黑魔法，因为它将给迭代和创新带来麻烦。
易扩展性：添加新模块超级简单的容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
与Python协作：Keras没有单独的模型配置文件类型（作为对比，caffe有），模型由python代码描述，使其更紧凑和更易debug，并提供了扩展的便利性。
Keras从2015年3月开始启动，经过一年多的开发，目前Keras进入了1.0的时代。Keras 1.0依然遵循相同的设计原则，但与之前的版本相比有很大的不同。如果你曾经使用过此前的其他版本Keras。你或许会关心1.0的新特性。
泛型模型：简单和强大的新模块，用于支持复杂深度学习模型的搭建。
更优秀的性能：现在，Keras模型的编译时间得到缩短。所有的RNN现在都可以用两种方式实现，以供用户在不同配置任务和配置环境下取得最大性能。现在，基于Theano的RNN也可以被展开，以获得大概25%的加速计算。
测量指标：现在，你可以提供一系列的测量指标来在Keras的任何监测点观察模型性能。
更优的用户体验：我们面向使用者重新编写了代码，使得函数API更简单易记，同时提供更有效的出错信息。
新版本的Keras提供了Lambda层，以实现一些简单的计算任务。
...
如果你已经基于Keras0.3编写了自己的层，那么在升级后，你需要为自己的代码做以下调整，以在Keras1.0上继续运行。请参考编写自己的层
关于Keras-cn
本文档是Keras文档的中文版，包括keras.io的全部内容，以及更多的例子、解释和建议
现在，keras-cn的版本号将简单的跟随最新的keras release版本
由于作者水平和研究方向所限，无法对所有模块都非常精通，因此文档中不可避免的会出现各种错误、疏漏和不足之处。如果您在使用过程中有任何意见、建议和疑问，欢迎发送邮件到moyan_work@foxmail.com与我取得联系。
您对文档的任何贡献，包括文档的翻译、查缺补漏、概念解释、发现和修改问题、贡献示例程序等，均会被记录在致谢，十分感谢您对Keras中文文档的贡献！
同时，也欢迎您撰文向本文档投稿，您的稿件被录用后将以单独的页面显示在网站中，您有权在您的网页下设置赞助二维码，以获取来自网友的小额赞助。
如果你发现本文档缺失了官方文档的部分内容，请积极联系我补充。
本文档相对于原文档有更多的使用指导和概念澄清，请在使用时关注文档中的Tips，特别的，本文档的额外模块还有：
一些基本概念：位于快速开始模块的一些基本概念简单介绍了使用Keras前需要知道的一些小知识，新手在使用前应该先阅读本部分的文档。
Keras安装和配置指南，提供了详细的Linux和Windows下Keras的安装和配置步骤。
深度学习与Keras：位于导航栏最下方的该模块翻译了来自Keras作者博客keras.io和其他Keras相关博客的文章，该栏目的文章提供了对深度学习的理解和大量使用Keras的例子，您也可以向这个栏目投稿。 所有的文章均在醒目位置标志标明来源与作者，本文档对该栏目文章的原文不具有任何处置权。如您仍觉不妥，请联系本人（moyan_work@foxmail.com）删除。
当前版本与更新
如果你发现本文档提供的信息有误，有两种可能：
你的Keras版本过低：记住Keras是一个发展迅速的深度学习框架，请保持你的Keras与官方最新的release版本相符
我们的中文文档没有及时更新：如果是这种情况，请发邮件给我，我会尽快更新
目前文档的版本号是1.2.1，对应于官方的1.2.1 release 版本, 本次更新的主要内容是：
- 为Application中的图片分类模型增加了
classes和input_shape，但classes的说明在原文档中缺失 - 暂时移除了SpatialDropout1D,SpatialDropout2D,SpatialDropout3D的文档，但它们的源代码仍然保留在个keras中，你仍然可以用这些layer
- 1.2.0和当前版本均可使用ConvLSTM2D层，这个层在代码中有说明但没有体现在文档中，我们暂时也不提供这个层的说明，如需使用请查看源代码中的说明
- 增加了AC-GAN的例子
注意，keras在github上的master往往要高于当前的release版本，如果你从源码编译keras，可能某些模块与文档说明不相符，请以官方Github代码为准
快速开始：30s上手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。你也可以查看泛型模型来学习建立更复杂的模型
Sequential模型如下
from keras.models import Sequential
model = 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 import Dense, Activation
model.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简明易用同时，保证用户对Keras的绝对控制力度，用户可以根据自己的需要定制自己的模型、网络层，甚至修改源代码。
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，关于为什么要使用‘batch’，请参考一些基本概念
model.fit(X_train, Y_train, nb_epoch=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=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)
搭建一个问答系统、图像分类模型，或神经图灵机、word2vec词嵌入器就是这么快。支撑深度学习的基本想法本就是简单的，现在让我们把它的实现也变的简单起来！
为了更深入的了解Keras，我们建议你查看一下下面的两个tutorial
还有我们对一些概念的解释
在Keras代码包的examples文件夹里，我们提供了一些更高级的模型：基于记忆网络的问答系统、基于LSTM的文本的文本生成等。
安装
Keras使用了下面的依赖包：
numpy，scipy
pyyaml
HDF5, h5py（可选，仅在模型的save/load函数中使用）
当使用TensorFlow为后端时：
当使用Theano作为后端时：
【Tips】“后端”翻译自backend，指的是Keras依赖于完成底层的张量运算的软件包。【@Bigmoyan】
安装Keras时，请cd到Keras的文件夹中，并运行下面的安装命令：
sudo python setup.py install
你也可以使用PyPI来安装Keras
sudo pip install keras
详细的Windows和Linux安装教程请参考“快速开始”一节中给出的安装教程，特别鸣谢SCP-173编写了这些教程
在Theano和TensorFlow间切换
Keras默认使用TensorFlow作为后端来进行张量操作，如需切换到Theano，请查看这里
技术支持
你可以在下列网址提问或加入Keras开发讨论:
- Keras Google group
- Keras Slack channel,[点击这里]获得邀请.
你也可以在Github issues里提问或请求新特性。在提问之前请确保你阅读过我们的指导
同时，我们也欢迎同学们加我们的QQ群119427073进行讨论（潜水和灌水会被T，入群说明公司/学校-职位/年级）
小额赞助
如果你觉得本文档对你的研究和使用有所帮助，欢迎扫下面的二维码对作者进行小额赞助，以鼓励作者进一步完善文档内容，提高文档质量。同时，不妨为本文档的github加颗星哦
如果你觉得有用页面下有小额赞助的二维码或微信/支付宝账号，说明该页面由其他作者贡献，要对他们进行小额赞助请使用该页面下的二维码或账号