keras基本知识（一）

keras介绍

第一部分-简介
1.Keras 是一个模型级（model-level）的库，为开发深度学习模型提供了高层次的构建模块。
它不处理张量操作、求微分等低层次的运算。相反，它依赖于一个专门的、高度优化的张量库
来完成这些运算，这个张量库就是Keras 的后端引擎（backend engine）。

目前，Keras 有三个后端实现：TensorFlow 后端、Theano 后端和微软认知工具包（CNTK，Microsoft cognitive toolkit）后端。

TensorFlow、CNTK 和Theano 是当今深度学习的几个主要平台。Theano 由蒙特利尔大学的
MILA 实验室开发，TensorFlow 由Google 开发，CNTK 由微软开发。

通过TensorFlow（或Theano、CNTK），Keras 可以在CPU 和GPU 上无缝运行。在CPU 上运行
时，TensorFlow 本身封装了一个低层次的张量运算库，叫作Eigen；在GPU 上运行时，TensorFlow
封装了一个高度优化的深度学习运算库，叫作NVIDIA CUDA 深度神经网络库（cuDNN）

2.keras的训练过程：

(1) 定义训练数据：输入张量和目标张量。
(2) 定义层组成的网络（或模型），将输入映射到目标。
(3) 配置学习过程：选择损失函数、优化器和需要监控的指标。
(4) 调用模型的fit 方法在训练数据上进行迭代。

定义模型有两种方法：一种是使用Sequential 类（仅用于层的线性堆叠，这是目前最常
见的网络架构），另一种是函数式API（functional API，用于层组成的有向无环图，让你可以构建任意形式的架构）。

第二部分-Sequential类的重要函数

1.add函数
定义：add(self, layer)
用途：向模型中添加一个层
参数layer是Layer对象，也即是层

2.pop函数
定义：pop(self)
用途：弹出模型的最后一层，无返回值，该方法一般很少用到。

3.compile函数
定义：

compile(self, optimizer, loss, metrics=None, sample_weight_mode=None)

该方法编译用来配置模型的学习过程，其参数有以下这些：

optimizer：字符串（预定义优化器名）