Keras简介

Keras 是一个Python深度学习框架，可以方便地定义和训练几乎所有类型地深度学习模型。Keras最开始是为研究人员开发的，其目的在于快速实验

keras具有以下重要特性：

1.相同的代码可以在CPU或GPU上无缝切换运行

2.具有用户友好的API，便于快速开发深度学习模型的原型

3.内置支持卷积网络（用于计算机视觉）、循环网络（用于序列处理）以及二者的任意组合。

4.支持任意网络架构：多输入或多输出模型、层共享、模型共享等。

1.1Keras\TensorFlow\Theano\CNTK

keras是一个模型级的库，为开发深度学习模型提供了高层次的构建模块。它依赖一个专门的、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。Keras有三个后端实现:TensorFlow后端、Theano后端和微软认知工具包（CNTK）。这三个不同的后端引擎都可以无缝嵌入到Keras中。

通过TensorFlow,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，叫做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，叫做NVIDIA CUDA深度卷积神经网络（cuDNN）。

1.2使用Keras开发：概述

典型的Keras工作流程：

（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，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：

1.一种是Sequential类定义的两层模型（仅用于层的线性堆叠）

2.下面是函数式API定义的相同模型

 

 

配置学习过程就是在编译这一步，你需要指定模型使用的优化器和损失函数，以及训练过程中想要监控的指标。

最后，学习过程就是通过fit()方法将输入数据的Numpy数组传入模型。

 

本文选自《python深度学习》