翻译 | Keras : Deep Learning library for Tensorflow and Theano

看到Kears时，发现代码好简洁，在github上学习了它的帮助文档，很有用处，便翻译过来，留用。翻译不好勿喷。 哈哈

Keras 是一个用python写的，能够在Tensorflow或Theano上运行的神经网络库。它被开发用于集中于稳定快速的实验。从idea到结果的关键是做更好的研究，使得更少可能的拖延。

如果你需要深度学习库，使用Keras：

• 可以很容易地和快速原型（通过全模块化，简约，和可扩展性）。
• 支持卷积神经网络和递归神经网络，也支持两者的结合形式。
• 支持任意的连接方案（包括多输入、多输出训练）
• 无缝的运行在CPU和GPU上

阅读Keras的文档

Keras 兼容python2.7-3.5

指导思想：

• 模块化。模型被理解为一个独立的，完全可配置的模块的序列或图形，可以被连接在一起，尽可能少的限制。特别是，神经层，成本函数，算法，初始化方案，激活函数，正则化方法，可以结合起来，创造新的模型，所有的独立模块。

• 极简主义。每个模块应保持简短和简单。每一段代码在第一次阅读时应该是透明的。没有黑魔法：它伤害了迭代速度和创新能力。

• 易扩展性。新模块是简单的添加（新的类和功能），现有模块提供了丰富的例子。能够轻松地创建新的模块允许总的表现力，使Keras适合高级研究。

• 使用Python。没有单独的配置文件在声明格式。模型被描述在Python代码，这是一个紧凑，容易调试，方便和允许扩展。

开始：30秒学习Keras

Keras的核心数据结构是model,一种方式去组织神经层。主要类型的模型是Sequential模型，一个层的线性叠加。对于更复杂的结构，应使用keras功能API。

这里是Sequential模型：

from keras.models import Sequential
model = Sequential()

叠加层是使用.add()

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'))

一旦你的模型看起来不错，用.compile()来配置它的学习过程：

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

如果需要，可以进一步配置优化器。Keras的一个核心原则是使事情简单合理，允许用户完全控制同时他们需要（最终控制源代码的易扩展性）。

from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

你现在可以批量迭代你的训练数据：

model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)

或者，你可以手动批量向您的模型给数据：

model.train_on_batch(X_batch, Y_batch)

评估你的模型能力：

loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32)

或者生成新的预测数据：

classes = model.predict_classes(X_test, batch_size=32)
proba = model.predict_proba(X_test, batch_size=32)

建立一个问答系统，图像分类模型，神经图灵机，一Word2vec嵌入或任何其他模型一样快。深度学习背后的想法很简单，那么为什么他们的实施是痛苦的呢？

关于Keras的一个更深入的教程，你可以看看：

Getting started with the Sequential model

Getting started with the functional API

在example文件夹仓库中，你会发现更先进的模型：答疑与记忆网络，叠LSTMs文本的生成，等等。