感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html

===

你恰好发现了 Keras。

Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。

如果你在以下情况下需要深度学习库，请使用 Keras：

允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
同时支持卷积神经网络和循环神经网络，以及两者的组合。
在 CPU 和 GPU 上无缝运行。

查看文档，请访问 Keras.io。

Keras 兼容的 Python 版本: Python 2.7-3.6。

指导原则

用户友好。 Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。Keras 遵循减少认知困难的最佳实践：它提供一致且简单的 API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
模块化。 模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。
易扩展性。 新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。
基于 Python 实现。 Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。

快速开始：30 秒上手 Keras

Keras 的核心数据结构是 model，一种组织网络层的方式。最简单的模型是 Sequential 顺序模型，它由多个网络层线性堆叠。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。

Sequential 模型如下所示：

from keras.models import Sequential  
  
model = Sequential()

可以简单地使用 .add() 来堆叠模型：

from keras.layers import Dense  
  
model.add(Dense(units=64, activation='relu', input_dim=100))  
model.add(Dense(units=10, activation='softmax'))

在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：

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

如果需要，你还可以进一步地配置你的优化器。Keras 的核心原则是使事情变得相当简单，同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性）。

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

现在，你可以批量地在训练数据上进行迭代了：

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。  
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型：

model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者对新的数据生成预测：

classes = model.predict(x_test, batch_size=128)

构建一个问答系统，一个图像分类模型，一个神经图灵机，或者其他的任何模型，就是这么的快。深度学习背后的思想很简单，那么它们的实现又何必要那么痛苦呢？

有关 Keras 更深入的教程，请查看：

开始使用 Sequential 模型
开始使用函数式 API

在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。

安装指引

在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。

TensorFlow 安装指引。
Theano 安装指引。
CNTK 安装指引。

你也可以考虑安装以下可选依赖：

cuDNN (如果你计划在 GPU 上运行 Keras，建议安装)。
HDF5 和 h5py (如果你需要将 Keras 模型保存到磁盘，则需要这些)。
graphviz 和 pydot (用于可视化工具绘制模型图)。

然后你就可以安装 Keras 本身了。有两种方法安装 Keras：

使用 PyPI 安装 Keras (推荐)：

sudo pip install keras

如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：

pip install keras

或者：使用 GitHub 源码安装 Keras：

首先，使用 git 来克隆 Keras：

git clone https://github.com/keras-team/keras.git

然后，cd 到 Keras 目录并且运行安装命令：

cd keras  
sudo python setup.py install

配置你的 Keras 后端

默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。

技术支持

你可以提出问题并参与开发讨论：

Keras Google group。
Keras Slack channel。使用这个链接向该频道请求邀请函。

你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。

为什么取名为 Keras?

Keras (κέρας) 在希腊语中意为号角。它来自古希腊和拉丁文学中的一个文学形象，首先出现于《奥德赛》中，梦神 (Oneiroi, singular Oneiros) 从这两类人中分离出来：那些用虚幻的景象欺骗人类，通过象牙之门抵达地球之人，以及那些宣告未来即将到来，通过号角之门抵达之人。它类似于文字寓意，κέρας (号角) / κραίνω (履行)，以及 ἐλέφας (象牙) / ἐλεφαίρομαι (欺骗)。

Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。

"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息；那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).

为什么选择 Keras？

在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。

Keras 优先考虑开发人员的经验

Keras 是为人类而非机器设计的 API。Keras 遵循减少认知困难的最佳实践: 它提供一致且简单的 API，它将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
这使 Keras 易于学习和使用。作为 Keras 用户，你的工作效率更高，能够比竞争对手更快地尝试更多创意，从而帮助你赢得机器学习竞赛。
这种易用性并不以降低灵活性为代价：因为 Keras 与底层深度学习语言（特别是 TensorFlow）集成在一起，所以它可以让你实现任何你可以用基础语言编写的东西。特别是，tf.keras 作为 Keras API 可以与 TensorFlow 工作流无缝集成。

Keras 被工业界和学术界广泛采用

Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出

截至 2018 年中期，Keras 拥有超过 250,000 名个人用户。与其他任何深度学习框架相比，Keras 在行业和研究领域的应用率更高（除 TensorFlow 之外，且 Keras API 是 TensorFlow 的官方前端，通过 tf.keras 模块使用）。

您已经不断与使用 Keras 构建的功能进行交互 - 它在 Netflix, Uber, Yelp, Instacart, Zocdoc, Square 等众多网站上使用。它尤其受以深度学习作为产品核心的创业公司的欢迎。

Keras也是深度学习研究人员的最爱，在上载到预印本服务器 arXiv.org 的科学论文中被提及的次数位居第二。Keras 还被大型科学组织的研究人员采用，特别是 CERN 和 NASA。

Keras 可以轻松将模型转化为产品

与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：

在 iOS 上，通过 Apple’s CoreML（苹果为 Keras 提供官方支持）。这里有一个教程。
在 Android 上，通过 TensorFlow Android runtime，例如：Not Hotdog app。
在浏览器中，通过 GPU 加速的 JavaScript 运行时，例如：Keras.js 和 WebDNN。
在 Google Cloud 上，通过 TensorFlow-Serving。
在 Python webapp 后端（比如 Flask app）中。
在 JVM 上，通过 SkyMind 提供的 DL4J 模型导入。
在 Raspberry Pi 树莓派上。

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

你的 Keras 模型可以基于不同的深度学习后端开发。重要的是，任何仅利用内置层构建的 Keras 模型，都可以在所有这些后端中移植：你可以用一种后端训练模型，再将它载入另一种后端中（例如为了发布的需要）。支持的后端有：

谷歌的 TensorFlow 后端
微软的 CNTK 后端
Theano 后端

亚马逊也正在为 Keras 开发 MXNet 后端。

如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：

NVIDIA GPU
Google TPU，通过 TensorFlow 后端和 Google Cloud
OpenCL 支持的 GPU, 比如 AMD, 通过 PlaidML Keras 后端

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 内置对多 GPU 数据并行的支持。
优步的 Horovod 对 Keras 模型拥有一流的支持。
Keras 模型可以被转换为 TensorFlow Estimators 并在 Google Cloud 的 GPU 集群上训练。
Keras 可以在 Spark（通过 CERN 的 Dist-Keras）和 Elephas 上运行。

Keras 的发展得到深度学习生态系统中的关键公司的支持

Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。此外，微软维护着 Keras 的 CNTK 后端。亚马逊 AWS 正在开发 MXNet 支持。其他提供支持的公司包括 NVIDIA、优步、苹果（通过 CoreML）等。

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html

===

你恰好发现了 Keras。

如果你在以下情况下需要深度学习库，请使用 Keras：

允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
同时支持卷积神经网络和循环神经网络，以及两者的组合。
在 CPU 和 GPU 上无缝运行。

查看文档，请访问 Keras.io。

Keras 兼容的 Python 版本: Python 2.7-3.6。

指导原则

用户友好。 Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。Keras 遵循减少认知困难的最佳实践：它提供一致且简单的 API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
模块化。 模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。
易扩展性。 新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。
基于 Python 实现。 Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。

快速开始：30 秒上手 Keras

Sequential 模型如下所示：

from keras.models import Sequential  
  
model = Sequential()

可以简单地使用 .add() 来堆叠模型：

from keras.layers import Dense  
  
model.add(Dense(units=64, activation='relu', input_dim=100))  
model.add(Dense(units=10, activation='softmax'))

在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：

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

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

现在，你可以批量地在训练数据上进行迭代了：

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。  
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型：

model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者对新的数据生成预测：

classes = model.predict(x_test, batch_size=128)

有关 Keras 更深入的教程，请查看：

开始使用 Sequential 模型
开始使用函数式 API

在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。

安装指引

在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。

TensorFlow 安装指引。
Theano 安装指引。
CNTK 安装指引。

你也可以考虑安装以下可选依赖：

cuDNN (如果你计划在 GPU 上运行 Keras，建议安装)。
HDF5 和 h5py (如果你需要将 Keras 模型保存到磁盘，则需要这些)。
graphviz 和 pydot (用于可视化工具绘制模型图)。

然后你就可以安装 Keras 本身了。有两种方法安装 Keras：

使用 PyPI 安装 Keras (推荐)：

sudo pip install keras

如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：

pip install keras

或者：使用 GitHub 源码安装 Keras：

首先，使用 git 来克隆 Keras：

git clone https://github.com/keras-team/keras.git

然后，cd 到 Keras 目录并且运行安装命令：

cd keras  
sudo python setup.py install

配置你的 Keras 后端

默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。

技术支持

你可以提出问题并参与开发讨论：

Keras Google group。
Keras Slack channel。使用这个链接向该频道请求邀请函。

你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。

为什么取名为 Keras?

Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。

"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息；那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).

为什么选择 Keras？

在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。

Keras 优先考虑开发人员的经验

Keras 是为人类而非机器设计的 API。Keras 遵循减少认知困难的最佳实践: 它提供一致且简单的 API，它将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
这使 Keras 易于学习和使用。作为 Keras 用户，你的工作效率更高，能够比竞争对手更快地尝试更多创意，从而帮助你赢得机器学习竞赛。
这种易用性并不以降低灵活性为代价：因为 Keras 与底层深度学习语言（特别是 TensorFlow）集成在一起，所以它可以让你实现任何你可以用基础语言编写的东西。特别是，tf.keras 作为 Keras API 可以与 TensorFlow 工作流无缝集成。

Keras 被工业界和学术界广泛采用

Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出

Keras 可以轻松将模型转化为产品

与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：

在 iOS 上，通过 Apple’s CoreML（苹果为 Keras 提供官方支持）。这里有一个教程。
在 Android 上，通过 TensorFlow Android runtime，例如：Not Hotdog app。
在浏览器中，通过 GPU 加速的 JavaScript 运行时，例如：Keras.js 和 WebDNN。
在 Google Cloud 上，通过 TensorFlow-Serving。
在 Python webapp 后端（比如 Flask app）中。
在 JVM 上，通过 SkyMind 提供的 DL4J 模型导入。
在 Raspberry Pi 树莓派上。

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

谷歌的 TensorFlow 后端
微软的 CNTK 后端
Theano 后端

亚马逊也正在为 Keras 开发 MXNet 后端。

如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：

NVIDIA GPU
Google TPU，通过 TensorFlow 后端和 Google Cloud
OpenCL 支持的 GPU, 比如 AMD, 通过 PlaidML Keras 后端

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 内置对多 GPU 数据并行的支持。
优步的 Horovod 对 Keras 模型拥有一流的支持。
Keras 模型可以被转换为 TensorFlow Estimators 并在 Google Cloud 的 GPU 集群上训练。
Keras 可以在 Spark（通过 CERN 的 Dist-Keras）和 Elephas 上运行。

Keras 的发展得到深度学习生态系统中的关键公司的支持

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html

===

你恰好发现了 Keras。

如果你在以下情况下需要深度学习库，请使用 Keras：

允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
同时支持卷积神经网络和循环神经网络，以及两者的组合。
在 CPU 和 GPU 上无缝运行。

查看文档，请访问 Keras.io。

Keras 兼容的 Python 版本: Python 2.7-3.6。

指导原则

用户友好。 Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。Keras 遵循减少认知困难的最佳实践：它提供一致且简单的 API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
模块化。 模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。
易扩展性。 新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。
基于 Python 实现。 Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。

快速开始：30 秒上手 Keras

Sequential 模型如下所示：

from keras.models import Sequential  
  
model = Sequential()

可以简单地使用 .add() 来堆叠模型：

from keras.layers import Dense  
  
model.add(Dense(units=64, activation='relu', input_dim=100))  
model.add(Dense(units=10, activation='softmax'))

在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：

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

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

现在，你可以批量地在训练数据上进行迭代了：

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。  
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型：

model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者对新的数据生成预测：

classes = model.predict(x_test, batch_size=128)

有关 Keras 更深入的教程，请查看：

开始使用 Sequential 模型
开始使用函数式 API

在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。

安装指引

在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。

TensorFlow 安装指引。
Theano 安装指引。
CNTK 安装指引。

你也可以考虑安装以下可选依赖：

cuDNN (如果你计划在 GPU 上运行 Keras，建议安装)。
HDF5 和 h5py (如果你需要将 Keras 模型保存到磁盘，则需要这些)。
graphviz 和 pydot (用于可视化工具绘制模型图)。

然后你就可以安装 Keras 本身了。有两种方法安装 Keras：

使用 PyPI 安装 Keras (推荐)：

sudo pip install keras

如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：

pip install keras

或者：使用 GitHub 源码安装 Keras：

首先，使用 git 来克隆 Keras：

git clone https://github.com/keras-team/keras.git

然后，cd 到 Keras 目录并且运行安装命令：

cd keras  
sudo python setup.py install

配置你的 Keras 后端

默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。

技术支持

你可以提出问题并参与开发讨论：

Keras Google group。
Keras Slack channel。使用这个链接向该频道请求邀请函。

你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。

为什么取名为 Keras?

Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。

"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息；那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).

为什么选择 Keras？

在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。

Keras 优先考虑开发人员的经验

Keras 是为人类而非机器设计的 API。Keras 遵循减少认知困难的最佳实践: 它提供一致且简单的 API，它将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
这使 Keras 易于学习和使用。作为 Keras 用户，你的工作效率更高，能够比竞争对手更快地尝试更多创意，从而帮助你赢得机器学习竞赛。
这种易用性并不以降低灵活性为代价：因为 Keras 与底层深度学习语言（特别是 TensorFlow）集成在一起，所以它可以让你实现任何你可以用基础语言编写的东西。特别是，tf.keras 作为 Keras API 可以与 TensorFlow 工作流无缝集成。

Keras 被工业界和学术界广泛采用

Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出

Keras 可以轻松将模型转化为产品

与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：

在 iOS 上，通过 Apple’s CoreML（苹果为 Keras 提供官方支持）。这里有一个教程。
在 Android 上，通过 TensorFlow Android runtime，例如：Not Hotdog app。
在浏览器中，通过 GPU 加速的 JavaScript 运行时，例如：Keras.js 和 WebDNN。
在 Google Cloud 上，通过 TensorFlow-Serving。
在 Python webapp 后端（比如 Flask app）中。
在 JVM 上，通过 SkyMind 提供的 DL4J 模型导入。
在 Raspberry Pi 树莓派上。

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

谷歌的 TensorFlow 后端
微软的 CNTK 后端
Theano 后端

亚马逊也正在为 Keras 开发 MXNet 后端。

如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：

NVIDIA GPU
Google TPU，通过 TensorFlow 后端和 Google Cloud
OpenCL 支持的 GPU, 比如 AMD, 通过 PlaidML Keras 后端

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 内置对多 GPU 数据并行的支持。
优步的 Horovod 对 Keras 模型拥有一流的支持。
Keras 模型可以被转换为 TensorFlow Estimators 并在 Google Cloud 的 GPU 集群上训练。
Keras 可以在 Spark（通过 CERN 的 Dist-Keras）和 Elephas 上运行。

Keras 的发展得到深度学习生态系统中的关键公司的支持

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html

===

你恰好发现了 Keras。

如果你在以下情况下需要深度学习库，请使用 Keras：

允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
同时支持卷积神经网络和循环神经网络，以及两者的组合。
在 CPU 和 GPU 上无缝运行。

查看文档，请访问 Keras.io。

Keras 兼容的 Python 版本: Python 2.7-3.6。

指导原则

用户友好。 Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。Keras 遵循减少认知困难的最佳实践：它提供一致且简单的 API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
模块化。 模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。
易扩展性。 新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。
基于 Python 实现。 Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。

快速开始：30 秒上手 Keras

Sequential 模型如下所示：

from keras.models import Sequential  
  
model = Sequential()

可以简单地使用 .add() 来堆叠模型：

from keras.layers import Dense  
  
model.add(Dense(units=64, activation='relu', input_dim=100))  
model.add(Dense(units=10, activation='softmax'))

在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：

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

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

现在，你可以批量地在训练数据上进行迭代了：

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。  
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型：

model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者对新的数据生成预测：

classes = model.predict(x_test, batch_size=128)

有关 Keras 更深入的教程，请查看：

开始使用 Sequential 模型
开始使用函数式 API

在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。

安装指引

在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。

TensorFlow 安装指引。
Theano 安装指引。
CNTK 安装指引。

你也可以考虑安装以下可选依赖：

cuDNN (如果你计划在 GPU 上运行 Keras，建议安装)。
HDF5 和 h5py (如果你需要将 Keras 模型保存到磁盘，则需要这些)。
graphviz 和 pydot (用于可视化工具绘制模型图)。

然后你就可以安装 Keras 本身了。有两种方法安装 Keras：

使用 PyPI 安装 Keras (推荐)：

sudo pip install keras

如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：

pip install keras

或者：使用 GitHub 源码安装 Keras：

首先，使用 git 来克隆 Keras：

git clone https://github.com/keras-team/keras.git

然后，cd 到 Keras 目录并且运行安装命令：

cd keras  
sudo python setup.py install

配置你的 Keras 后端

默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。

技术支持

你可以提出问题并参与开发讨论：

Keras Google group。
Keras Slack channel。使用这个链接向该频道请求邀请函。

你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。

为什么取名为 Keras?

Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。

"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息；那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).

为什么选择 Keras？

在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。

Keras 优先考虑开发人员的经验

Keras 是为人类而非机器设计的 API。Keras 遵循减少认知困难的最佳实践: 它提供一致且简单的 API，它将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
这使 Keras 易于学习和使用。作为 Keras 用户，你的工作效率更高，能够比竞争对手更快地尝试更多创意，从而帮助你赢得机器学习竞赛。
这种易用性并不以降低灵活性为代价：因为 Keras 与底层深度学习语言（特别是 TensorFlow）集成在一起，所以它可以让你实现任何你可以用基础语言编写的东西。特别是，tf.keras 作为 Keras API 可以与 TensorFlow 工作流无缝集成。

Keras 被工业界和学术界广泛采用

Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出

Keras 可以轻松将模型转化为产品

与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：

在 iOS 上，通过 Apple’s CoreML（苹果为 Keras 提供官方支持）。这里有一个教程。
在 Android 上，通过 TensorFlow Android runtime，例如：Not Hotdog app。
在浏览器中，通过 GPU 加速的 JavaScript 运行时，例如：Keras.js 和 WebDNN。
在 Google Cloud 上，通过 TensorFlow-Serving。
在 Python webapp 后端（比如 Flask app）中。
在 JVM 上，通过 SkyMind 提供的 DL4J 模型导入。
在 Raspberry Pi 树莓派上。

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

谷歌的 TensorFlow 后端
微软的 CNTK 后端
Theano 后端

亚马逊也正在为 Keras 开发 MXNet 后端。

如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：

NVIDIA GPU
Google TPU，通过 TensorFlow 后端和 Google Cloud
OpenCL 支持的 GPU, 比如 AMD, 通过 PlaidML Keras 后端

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 内置对多 GPU 数据并行的支持。
优步的 Horovod 对 Keras 模型拥有一流的支持。
Keras 模型可以被转换为 TensorFlow Estimators 并在 Google Cloud 的 GPU 集群上训练。
Keras 可以在 Spark（通过 CERN 的 Dist-Keras）和 Elephas 上运行。

Keras 的发展得到深度学习生态系统中的关键公司的支持

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html

===

你恰好发现了 Keras。

如果你在以下情况下需要深度学习库，请使用 Keras：

允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
同时支持卷积神经网络和循环神经网络，以及两者的组合。
在 CPU 和 GPU 上无缝运行。

查看文档，请访问 Keras.io。

Keras 兼容的 Python 版本: Python 2.7-3.6。

指导原则

用户友好。 Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。Keras 遵循减少认知困难的最佳实践：它提供一致且简单的 API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
模块化。 模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。
易扩展性。 新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。
基于 Python 实现。 Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。

快速开始：30 秒上手 Keras

Sequential 模型如下所示：

from keras.models import Sequential  
  
model = Sequential()

可以简单地使用 .add() 来堆叠模型：

from keras.layers import Dense  
  
model.add(Dense(units=64, activation='relu', input_dim=100))  
model.add(Dense(units=10, activation='softmax'))

在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：

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

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

现在，你可以批量地在训练数据上进行迭代了：

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。  
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型：

model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者对新的数据生成预测：

classes = model.predict(x_test, batch_size=128)

有关 Keras 更深入的教程，请查看：

开始使用 Sequential 模型
开始使用函数式 API

在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。

安装指引

在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。

TensorFlow 安装指引。
Theano 安装指引。
CNTK 安装指引。

你也可以考虑安装以下可选依赖：

cuDNN (如果你计划在 GPU 上运行 Keras，建议安装)。
HDF5 和 h5py (如果你需要将 Keras 模型保存到磁盘，则需要这些)。
graphviz 和 pydot (用于可视化工具绘制模型图)。

然后你就可以安装 Keras 本身了。有两种方法安装 Keras：

使用 PyPI 安装 Keras (推荐)：

sudo pip install keras

如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：

pip install keras

或者：使用 GitHub 源码安装 Keras：

首先，使用 git 来克隆 Keras：

git clone https://github.com/keras-team/keras.git

然后，cd 到 Keras 目录并且运行安装命令：

cd keras  
sudo python setup.py install

配置你的 Keras 后端

默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。

技术支持

你可以提出问题并参与开发讨论：

Keras Google group。
Keras Slack channel。使用这个链接向该频道请求邀请函。

你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。

为什么取名为 Keras?

Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。

"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息；那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).

为什么选择 Keras？

在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。

Keras 优先考虑开发人员的经验

Keras 是为人类而非机器设计的 API。Keras 遵循减少认知困难的最佳实践: 它提供一致且简单的 API，它将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
这使 Keras 易于学习和使用。作为 Keras 用户，你的工作效率更高，能够比竞争对手更快地尝试更多创意，从而帮助你赢得机器学习竞赛。
这种易用性并不以降低灵活性为代价：因为 Keras 与底层深度学习语言（特别是 TensorFlow）集成在一起，所以它可以让你实现任何你可以用基础语言编写的东西。特别是，tf.keras 作为 Keras API 可以与 TensorFlow 工作流无缝集成。

Keras 被工业界和学术界广泛采用

Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出

Keras 可以轻松将模型转化为产品

与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：

在 iOS 上，通过 Apple’s CoreML（苹果为 Keras 提供官方支持）。这里有一个教程。
在 Android 上，通过 TensorFlow Android runtime，例如：Not Hotdog app。
在浏览器中，通过 GPU 加速的 JavaScript 运行时，例如：Keras.js 和 WebDNN。
在 Google Cloud 上，通过 TensorFlow-Serving。
在 Python webapp 后端（比如 Flask app）中。
在 JVM 上，通过 SkyMind 提供的 DL4J 模型导入。
在 Raspberry Pi 树莓派上。

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

谷歌的 TensorFlow 后端
微软的 CNTK 后端
Theano 后端

亚马逊也正在为 Keras 开发 MXNet 后端。

如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：

NVIDIA GPU
Google TPU，通过 TensorFlow 后端和 Google Cloud
OpenCL 支持的 GPU, 比如 AMD, 通过 PlaidML Keras 后端

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 内置对多 GPU 数据并行的支持。
优步的 Horovod 对 Keras 模型拥有一流的支持。
Keras 模型可以被转换为 TensorFlow Estimators 并在 Google Cloud 的 GPU 集群上训练。
Keras 可以在 Spark（通过 CERN 的 Dist-Keras）和 Elephas 上运行。

Keras 的发展得到深度学习生态系统中的关键公司的支持

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html

===

你恰好发现了 Keras。

如果你在以下情况下需要深度学习库，请使用 Keras：

允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
同时支持卷积神经网络和循环神经网络，以及两者的组合。
在 CPU 和 GPU 上无缝运行。

查看文档，请访问 Keras.io。

Keras 兼容的 Python 版本: Python 2.7-3.6。

指导原则

用户友好。 Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。Keras 遵循减少认知困难的最佳实践：它提供一致且简单的 API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
模块化。 模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。
易扩展性。 新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。
基于 Python 实现。 Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。

快速开始：30 秒上手 Keras

Sequential 模型如下所示：

from keras.models import Sequential  
  
model = Sequential()

可以简单地使用 .add() 来堆叠模型：

from keras.layers import Dense  
  
model.add(Dense(units=64, activation='relu', input_dim=100))  
model.add(Dense(units=10, activation='softmax'))

在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：

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

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

现在，你可以批量地在训练数据上进行迭代了：

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。  
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型：

model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者对新的数据生成预测：

classes = model.predict(x_test, batch_size=128)

有关 Keras 更深入的教程，请查看：

开始使用 Sequential 模型
开始使用函数式 API

在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。

安装指引

在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。

TensorFlow 安装指引。
Theano 安装指引。
CNTK 安装指引。

你也可以考虑安装以下可选依赖：

cuDNN (如果你计划在 GPU 上运行 Keras，建议安装)。
HDF5 和 h5py (如果你需要将 Keras 模型保存到磁盘，则需要这些)。
graphviz 和 pydot (用于可视化工具绘制模型图)。

然后你就可以安装 Keras 本身了。有两种方法安装 Keras：

使用 PyPI 安装 Keras (推荐)：

sudo pip install keras

如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：

pip install keras

或者：使用 GitHub 源码安装 Keras：

首先，使用 git 来克隆 Keras：

git clone https://github.com/keras-team/keras.git

然后，cd 到 Keras 目录并且运行安装命令：

cd keras  
sudo python setup.py install

配置你的 Keras 后端

默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。

技术支持

你可以提出问题并参与开发讨论：

Keras Google group。
Keras Slack channel。使用这个链接向该频道请求邀请函。

你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。

为什么取名为 Keras?

Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。

"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息；那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).

为什么选择 Keras？

在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。

Keras 优先考虑开发人员的经验

Keras 是为人类而非机器设计的 API。Keras 遵循减少认知困难的最佳实践: 它提供一致且简单的 API，它将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
这使 Keras 易于学习和使用。作为 Keras 用户，你的工作效率更高，能够比竞争对手更快地尝试更多创意，从而帮助你赢得机器学习竞赛。
这种易用性并不以降低灵活性为代价：因为 Keras 与底层深度学习语言（特别是 TensorFlow）集成在一起，所以它可以让你实现任何你可以用基础语言编写的东西。特别是，tf.keras 作为 Keras API 可以与 TensorFlow 工作流无缝集成。

Keras 被工业界和学术界广泛采用

Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出

Keras 可以轻松将模型转化为产品

与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：

在 iOS 上，通过 Apple’s CoreML（苹果为 Keras 提供官方支持）。这里有一个教程。
在 Android 上，通过 TensorFlow Android runtime，例如：Not Hotdog app。
在浏览器中，通过 GPU 加速的 JavaScript 运行时，例如：Keras.js 和 WebDNN。
在 Google Cloud 上，通过 TensorFlow-Serving。
在 Python webapp 后端（比如 Flask app）中。
在 JVM 上，通过 SkyMind 提供的 DL4J 模型导入。
在 Raspberry Pi 树莓派上。

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

谷歌的 TensorFlow 后端
微软的 CNTK 后端
Theano 后端

亚马逊也正在为 Keras 开发 MXNet 后端。

如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：

NVIDIA GPU
Google TPU，通过 TensorFlow 后端和 Google Cloud
OpenCL 支持的 GPU, 比如 AMD, 通过 PlaidML Keras 后端

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 内置对多 GPU 数据并行的支持。
优步的 Horovod 对 Keras 模型拥有一流的支持。
Keras 模型可以被转换为 TensorFlow Estimators 并在 Google Cloud 的 GPU 集群上训练。
Keras 可以在 Spark（通过 CERN 的 Dist-Keras）和 Elephas 上运行。

Keras 的发展得到深度学习生态系统中的关键公司的支持

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html

===

你恰好发现了 Keras。

如果你在以下情况下需要深度学习库，请使用 Keras：

允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
同时支持卷积神经网络和循环神经网络，以及两者的组合。
在 CPU 和 GPU 上无缝运行。

查看文档，请访问 Keras.io。

Keras 兼容的 Python 版本: Python 2.7-3.6。

指导原则

用户友好。 Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。Keras 遵循减少认知困难的最佳实践：它提供一致且简单的 API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
模块化。 模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。
易扩展性。 新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。
基于 Python 实现。 Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。

快速开始：30 秒上手 Keras

Sequential 模型如下所示：

from keras.models import Sequential  
  
model = Sequential()

可以简单地使用 .add() 来堆叠模型：

from keras.layers import Dense  
  
model.add(Dense(units=64, activation='relu', input_dim=100))  
model.add(Dense(units=10, activation='softmax'))

在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：

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

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

现在，你可以批量地在训练数据上进行迭代了：

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。  
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型：

model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者对新的数据生成预测：

classes = model.predict(x_test, batch_size=128)

有关 Keras 更深入的教程，请查看：

开始使用 Sequential 模型
开始使用函数式 API

在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。

安装指引

在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。

TensorFlow 安装指引。
Theano 安装指引。
CNTK 安装指引。

你也可以考虑安装以下可选依赖：

cuDNN (如果你计划在 GPU 上运行 Keras，建议安装)。
HDF5 和 h5py (如果你需要将 Keras 模型保存到磁盘，则需要这些)。
graphviz 和 pydot (用于可视化工具绘制模型图)。

然后你就可以安装 Keras 本身了。有两种方法安装 Keras：

使用 PyPI 安装 Keras (推荐)：

sudo pip install keras

如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：

pip install keras

或者：使用 GitHub 源码安装 Keras：

首先，使用 git 来克隆 Keras：

git clone https://github.com/keras-team/keras.git

然后，cd 到 Keras 目录并且运行安装命令：

cd keras  
sudo python setup.py install

配置你的 Keras 后端

默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。

技术支持

你可以提出问题并参与开发讨论：

Keras Google group。
Keras Slack channel。使用这个链接向该频道请求邀请函。

你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。

为什么取名为 Keras?

Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。

"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息；那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).

为什么选择 Keras？

在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。

Keras 优先考虑开发人员的经验

Keras 是为人类而非机器设计的 API。Keras 遵循减少认知困难的最佳实践: 它提供一致且简单的 API，它将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
这使 Keras 易于学习和使用。作为 Keras 用户，你的工作效率更高，能够比竞争对手更快地尝试更多创意，从而帮助你赢得机器学习竞赛。
这种易用性并不以降低灵活性为代价：因为 Keras 与底层深度学习语言（特别是 TensorFlow）集成在一起，所以它可以让你实现任何你可以用基础语言编写的东西。特别是，tf.keras 作为 Keras API 可以与 TensorFlow 工作流无缝集成。

Keras 被工业界和学术界广泛采用

Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出

Keras 可以轻松将模型转化为产品

与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：

在 iOS 上，通过 Apple’s CoreML（苹果为 Keras 提供官方支持）。这里有一个教程。
在 Android 上，通过 TensorFlow Android runtime，例如：Not Hotdog app。
在浏览器中，通过 GPU 加速的 JavaScript 运行时，例如：Keras.js 和 WebDNN。
在 Google Cloud 上，通过 TensorFlow-Serving。
在 Python webapp 后端（比如 Flask app）中。
在 JVM 上，通过 SkyMind 提供的 DL4J 模型导入。
在 Raspberry Pi 树莓派上。

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

谷歌的 TensorFlow 后端
微软的 CNTK 后端
Theano 后端

亚马逊也正在为 Keras 开发 MXNet 后端。

如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：

NVIDIA GPU
Google TPU，通过 TensorFlow 后端和 Google Cloud
OpenCL 支持的 GPU, 比如 AMD, 通过 PlaidML Keras 后端

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 内置对多 GPU 数据并行的支持。
优步的 Horovod 对 Keras 模型拥有一流的支持。
Keras 模型可以被转换为 TensorFlow Estimators 并在 Google Cloud 的 GPU 集群上训练。
Keras 可以在 Spark（通过 CERN 的 Dist-Keras）和 Elephas 上运行。

Keras 的发展得到深度学习生态系统中的关键公司的支持

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html

===

你恰好发现了 Keras。

如果你在以下情况下需要深度学习库，请使用 Keras：

允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
同时支持卷积神经网络和循环神经网络，以及两者的组合。
在 CPU 和 GPU 上无缝运行。

查看文档，请访问 Keras.io。

Keras 兼容的 Python 版本: Python 2.7-3.6。

指导原则

用户友好。 Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。Keras 遵循减少认知困难的最佳实践：它提供一致且简单的 API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
模块化。 模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。
易扩展性。 新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。
基于 Python 实现。 Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。

快速开始：30 秒上手 Keras

Sequential 模型如下所示：

from keras.models import Sequential  
  
model = Sequential()

可以简单地使用 .add() 来堆叠模型：

from keras.layers import Dense  
  
model.add(Dense(units=64, activation='relu', input_dim=100))  
model.add(Dense(units=10, activation='softmax'))

在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：

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

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

现在，你可以批量地在训练数据上进行迭代了：

# x_train 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。  
model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型：

model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者对新的数据生成预测：

classes = model.predict(x_test, batch_size=128)

有关 Keras 更深入的教程，请查看：

开始使用 Sequential 模型
开始使用函数式 API

在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。

安装指引

在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。

TensorFlow 安装指引。
Theano 安装指引。
CNTK 安装指引。

你也可以考虑安装以下可选依赖：

cuDNN (如果你计划在 GPU 上运行 Keras，建议安装)。
HDF5 和 h5py (如果你需要将 Keras 模型保存到磁盘，则需要这些)。
graphviz 和 pydot (用于可视化工具绘制模型图)。

然后你就可以安装 Keras 本身了。有两种方法安装 Keras：

使用 PyPI 安装 Keras (推荐)：

sudo pip install keras

如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：

pip install keras

或者：使用 GitHub 源码安装 Keras：

首先，使用 git 来克隆 Keras：

git clone https://github.com/keras-team/keras.git

然后，cd 到 Keras 目录并且运行安装命令：

cd keras  
sudo python setup.py install

配置你的 Keras 后端

默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。

技术支持

你可以提出问题并参与开发讨论：

Keras Google group。
Keras Slack channel。使用这个链接向该频道请求邀请函。

你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。

为什么取名为 Keras?

Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。

"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息；那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).

为什么选择 Keras？

在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。

Keras 优先考虑开发人员的经验

Keras 是为人类而非机器设计的 API。Keras 遵循减少认知困难的最佳实践: 它提供一致且简单的 API，它将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
这使 Keras 易于学习和使用。作为 Keras 用户，你的工作效率更高，能够比竞争对手更快地尝试更多创意，从而帮助你赢得机器学习竞赛。
这种易用性并不以降低灵活性为代价：因为 Keras 与底层深度学习语言（特别是 TensorFlow）集成在一起，所以它可以让你实现任何你可以用基础语言编写的东西。特别是，tf.keras 作为 Keras API 可以与 TensorFlow 工作流无缝集成。

Keras 被工业界和学术界广泛采用

Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出

Keras 可以轻松将模型转化为产品

与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：

在 iOS 上，通过 Apple’s CoreML（苹果为 Keras 提供官方支持）。这里有一个教程。
在 Android 上，通过 TensorFlow Android runtime，例如：Not Hotdog app。
在浏览器中，通过 GPU 加速的 JavaScript 运行时，例如：Keras.js 和 WebDNN。
在 Google Cloud 上，通过 TensorFlow-Serving。
在 Python webapp 后端（比如 Flask app）中。
在 JVM 上，通过 SkyMind 提供的 DL4J 模型导入。
在 Raspberry Pi 树莓派上。

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

谷歌的 TensorFlow 后端
微软的 CNTK 后端
Theano 后端

亚马逊也正在为 Keras 开发 MXNet 后端。

如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：

NVIDIA GPU
Google TPU，通过 TensorFlow 后端和 Google Cloud
OpenCL 支持的 GPU, 比如 AMD, 通过 PlaidML Keras 后端

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 内置对多 GPU 数据并行的支持。
优步的 Horovod 对 Keras 模型拥有一流的支持。
Keras 模型可以被转换为 TensorFlow Estimators 并在 Google Cloud 的 GPU 集群上训练。
Keras 可以在 Spark（通过 CERN 的 Dist-Keras）和 Elephas 上运行。

Keras 的发展得到深度学习生态系统中的关键公司的支持

来源：https://www.cnblogs.com/lihanlin/p/12657714.html

标签

keras

机器学习

theano

cntk

Keras学习手册(一),开篇-使用 Python3 的Deep Learning 库

你恰好发现了 Keras。

指导原则

快速开始：30 秒上手 Keras

安装指引

配置你的 Keras 后端

技术支持

为什么取名为 Keras?

为什么选择 Keras？

Keras 优先考虑开发人员的经验

Keras 被工业界和学术界广泛采用

Keras 可以轻松将模型转化为产品

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 的发展得到深度学习生态系统中的关键公司的支持

你恰好发现了 Keras。

指导原则

快速开始：30 秒上手 Keras

安装指引

配置你的 Keras 后端

技术支持

为什么取名为 Keras?

为什么选择 Keras？

Keras 优先考虑开发人员的经验

Keras 被工业界和学术界广泛采用

Keras 可以轻松将模型转化为产品

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 的发展得到深度学习生态系统中的关键公司的支持

你恰好发现了 Keras。

指导原则

快速开始：30 秒上手 Keras

安装指引

配置你的 Keras 后端

技术支持

为什么取名为 Keras?

为什么选择 Keras？

Keras 优先考虑开发人员的经验

Keras 被工业界和学术界广泛采用

Keras 可以轻松将模型转化为产品

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 的发展得到深度学习生态系统中的关键公司的支持

你恰好发现了 Keras。

指导原则

快速开始：30 秒上手 Keras

安装指引

配置你的 Keras 后端

技术支持

为什么取名为 Keras?

为什么选择 Keras？

Keras 优先考虑开发人员的经验

Keras 被工业界和学术界广泛采用

Keras 可以轻松将模型转化为产品

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 的发展得到深度学习生态系统中的关键公司的支持

你恰好发现了 Keras。

指导原则

快速开始：30 秒上手 Keras

安装指引

配置你的 Keras 后端

技术支持

为什么取名为 Keras?

为什么选择 Keras？

Keras 优先考虑开发人员的经验

Keras 被工业界和学术界广泛采用

Keras 可以轻松将模型转化为产品

Keras 支持多个后端引擎，不会将你锁定到一个生态系统中

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 的发展得到深度学习生态系统中的关键公司的支持

你恰好发现了 Keras。

指导原则

快速开始：30 秒上手 Keras

安装指引

配置你的 Keras 后端

技术支持

为什么取名为 Keras?

为什么选择 Keras？

Keras 优先考虑开发人员的经验