Keras：一个基于Python的深度学习库

懒人阅读：你可以调用keras库中的模块迅速实现各种深度学习模型，在tensorflow、Theano以及CNTK中均可支持， 适合新手体验、快速验证想法。

Keras使用手册（中文）传送门：http://keras-cn.readthedocs.io/en/latest/

用过的都说好

Keras号称是 TensorFlow 最好用、对新手最友好的 API。

机器学习、深度学习的开源框架平台目前主要有Tensorflow（谷歌家的），Caffe，Theano，MXNet、Pytorch（facebook家的）等等，但是你发现你写一个简单的神经网络也需要很多行才能够写完，这个时候，就有很多的第三方插件来帮助你写网络，也就是说你用tensorflow要写10行，第三方插件1行代码就能搞定，因为插件封装了相应的函数。

适用场景

Keras 适合新手体验、快速验证想法，研究算法或修改底层建议直接编写模型，使用 TensorFlow、Theano等框架

长板效应，优点

backend（后端）强：受到了Tensorflow和Theano的支持，自然很有生命力；

便于上手，Keras可以当作黑箱子使用的人，上手非常容易，后面的栗子中可以看出；

文档齐全，论坛活跃，新功能更新不慢。

备注：backend为后端，指的是Keras依赖于完成底层的张量运算的软件包。

人无完人，缺点

跑同样的模型比纯TensorFlow要慢，据说可能达到一倍；

由于模型封装的比较好，容易让人忽略原理，不深入学习模型，而且训练细节不能修改、penalty细节很难修改、不合适算法研究。扩展性一般。

基本介绍

Keras 之父是 Francois Chollet（见下图），已被谷歌挖走为Tensorflow背书，这是一个基于Python的深度学习库，作为一种高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，，特色如下：

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

无缝CPU和GPU切换

Keras适用的Python版本是：Python 2.7-3.6。

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。你也可以查看函数式模型来学习建立更复杂的模型。主要模块介绍如下：

Optimizers

顾名思义，Optimizers包含了一些优化的方法，比如最基本的随机梯度下降SGD,另外还有Adagrad、Adadelta、RMSprop、Adam，一些新的方法以后也会被不断添加进来

上面的代码是SGD的使用方法，lr表示学习速率,momentum表示动量项，decay是学习速率的衰减系数(每个epoch衰减一次),Nesterov的值是False或者True，表示使不使用Nesterov momentum。其他的请参考文档。

Objectives

这是目标函数模块，keras提供了mean_squared_error，mean_absolute_error

，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy这几种目标函数。这里binary_crossentropy 和 categorical_crossentropy也就是常说的logloss.

Activations

Initializations

这是参数初始化模块，在添加layer的时候调用init进行初始化。keras提供了uniform、lecun_uniform、normal、orthogonal、zero、glorot_normal、he_normal这几种。

layers

layers模块包含了core、convolutional、recurrent、advanced_activations、normalization、embeddings这几种layer。其中core里面包含了flatten(CNN的全连接层之前需要把二维特征图flatten成为一维的)、reshape（CNN输入时将一维的向量弄成二维的）、dense(就是隐藏层，dense是稠密的意思),还有其他的就不介绍了。convolutional层基本就是Theano的Convolution2D的封装。

Preprocessing

这是预处理模块，包括序列数据的处理，文本数据的处理，图像数据的处理。重点看一下图像数据的处理，keras提供了ImageDataGenerator函数,实现data augmentation，数据集扩增，对图像做一些弹性变换，比如水平翻转，垂直翻转，旋转等。

Models

这是最主要的模块，模型。上面定义了各种基本组件，model是将它们组合起来，下面通过一个实例来说明。

感受一下，使用流程及示例

视频内容问答示例：我们有一组 10 秒短视频组成的数据集，视频内容是人从事各种活动。一个深度学习模型将会观察这些视频的每一帧画面，进行理解，然后你可以用简短的自然语言问它视频内容。

神经网络解决方案可分为三个部分：视频矢量化、问题矢量化、关联两个矢量并进行分类实现准确问答，如图所示。

在Keras中创建深度学习模型，在概念上和拼乐高积木是很相似的，本示例中的方案在 Keras 上的直观结构如图所示。

完整代码如下：

最后的提醒，安装及注意事项

Keras使用了下面的依赖包，三种后端必须至少选择一种，我们建议选择tensorflow。

numpy，scipy

pyyaml

HDF5, h5py（可选，仅在模型的save/load函数中使用）

如果使用CNN的推荐安装cuDNN

详细的Windows和Linux安装教程请参考“Keras新手指南”中给出的安装教程，非常清晰详细，传送门：http://keras-cn.readthedocs.io/en/latest/for_beginners/keras_windows/

授人以渔，资源分享：

使用手册（英文）官方链接：https://keras.io/

使用手册（中文）官方链接：http://keras-cn.readthedocs.io/en/latest/

参考资料

Keras中文文档：http://keras-cn.readthedocs.io/en/latest/

Keras 之父讲解 Keras：http://news.ifeng.com/a/20170526/51167584_0.shtml

善用智能之道：行业动态、技术前沿、产业服务，欢迎关注联系：九三智能控