TensorFlow相关学习（包括Keras）

一、TensorFlow简介

TensorFlow框架是目前主流的卷积神经网络开源框架之一。由Google Brain团队开发，对卷积神经网络模型进行构建和训练。

Tensor Flow也是深度学习的一个基础类库，可以用于直接创建深度学习的模型，或者使用**TensorFlow的封装（如Keras）**来实现深度学习的模型。

二、Keras简介

Keras是一个高级神经网络API（开放源码的高级深度学习程序库），使用python编程。使用TensorFlow、Theano及CNTK作为后端。（基于python的深度学习库）
Keras 兼容的 Python 版本: Python 2.7-3.6。
Keras的中文文档（官方）

1、keras的设计原则

1. 用户友好：提供一致而简洁的API，极大地减少一般应用下用户的工作量，同时，keras提供清晰和具有实践意义的bug反馈机制。
2. 模块性：网络层，损失函数，优化器，初始策略，激活函数，正则化方法都是独立的模块。
3. 易扩展性：添加新模块容易，只需要仿照现有的模块编写新的类或函数。

2、keras的工作方式

keras是一个模型即的深度学习链接库，keras只处理模型的建立、训练、预测等功能。深度学习的底层运行，如张量的运算，keras必须配合后端引擎进行运算。目前keras提供了两种 后端引擎：Theano和TensorFlow。
kreas会把底层操作细节转化位Theano和TensorFlow相对指令。

3、keras深度学习链接库的特色

1. 简单快速的建立原型prototyping：keras具备友好的用户界面、模块化设计、可扩充性。
2. 已经内建各种类神经网络层级，例如卷积层CNN , RNN，可以帮助我们快速建立神经网络模型。
3. 通过后端引擎Theano和TensorFlow，可以在CPU 与GPU上运行。
4. 以keras开发的程序代码更简洁，可读性更高，更容易维护，更具有生产力。
5. keras的说明文件非常齐全，官网上提供的范例也非常浅显易懂。

4、使用Keras建立多层感知器

Keras大致建立一个简单的多层感知器很简单，具体步骤如下。

1、建立Sequential模型
Sequential模型是多个神经网络层的线性堆叠。可以想象Sequential模型是一个蛋糕架，接下来可以加入一层一层的蛋糕。

2、加入“输入层”与“隐藏层”到模型中
Keras已经内建各种神经网络层（例如Dense层、Conv2d层等），只要在之前建立的模型上加入我们选择的神经网络层就可以了（就好像在“蛋糕架”加入“蛋糕层”一样简单）。

3、加入“输出层”到模型
加入输出层到模型中，就好像再加入一层蛋糕。

以上基本就完成了多层感知器模型的建立。

三、keras和TensorFlow

TensorFlow功能强大，执行效率高，支持各种平台，然而属于低级的深度学习链接库，学习门槛高。keras是高级的深度学习链接库，对初学者的学习门槛低，可以很容易的建立深度学习模型，并且进行训练、预测。TensorFlow需要自行设计张量（矩阵）的运算，做很多底层操作。（简单说，Keras比TensorFlow更高级，使用起来更方便简单）