Keras 是基于 Theano 或 者TensorFlow 的一个深度学习框架，其设计源于Torch，编程语言用 Python ，是一个功能强大、内容抽象，高度模块化的神经网络库，能够支持 GPU 和 CPU。目前tensorflow已经将keras合并到了自己的主代码中，我们可以直接tf.keras就能调用其中的工具库了。

一、  Keras设计原则

a)用户友好：Keras提供一致而简洁的API， 大大降低了一般应用下用户的工作量，并且，Keras可以提供清晰和具有实践意义的bug反馈。

b)模块性：模型可理解为一个层的序列或数据的运算图，完全可配置的模块可以用最少的代价自由组合在一起。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块，你可以使用它们来构建自己的模型。

c)易扩展性：只要仿照现有模块编写出新的类或者函数，就能够非常简单的添加新模块。这种快捷性、便利性，能够让Keras在先进的研究工作方面有更突出的表现。

d)与Python协作：Keras并没有单独的模型配置文件类型，模型使用python代码，这使得Keras更紧凑和更易debug，扩展更为便捷。

二、keras安装

在进行keras安装之前，需要需要确保TensorFlow，Theano，CNTK已经安装完成。建议使用TensorFlow后端。如果计划在GPU上运行keras，还可以选择依赖项cuDNN。

1、打开dos窗口，在命令行中输入：pip install keras

2、下载完成后，进入python环境，输入import keras,输出Using Tensorflow backend即表示安装成功。

三、快速上手 Keras

模型，是一种组织网络层的方式，它是Keras 的核心数据结构。Keras 中主要的模型有： Sequential 模型，Sequential 是一系列网络层按顺序构成的栈。

Sequential 模型如下：

from keras.models import Sequential

model = Sequential()

将一些网络层通过 .add() 堆叠起来，就构成了一个模型：

from keras.layers import Dense, Activation

model.add(Dense(units=64. input_dim=100))

model.add(Activation("relu"))

model.add(Dense(units=10))

model.add(Activation("softmax"))

完成模型的搭建后，我们需要使用 .compile() 方法来编译模型：

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

模型编译时必须指明损失函数和优化器。Keras 的核心理念就是简便快捷，操作容易。用户可以根据自己的实际需要定制自己的模型、网络层，甚至修改源代码。比如，我们使用自定义的 SGD 优化器：

from keras.optimizers import SGD

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

模型编译完成之后，我们在训练数据上按 batch 进行一定次数的迭代来训练网络：

model.fit(x_train, y_train, epochs=5. batch_size=32)

如果我们采用手动方法，将一个个 batch 的数据送入网络中训练，需要使用：

model.train_on_batch(x_batch, y_batch)

随后，我们可以用这一行代码来评估模型，确定模型的指标是否能够满足我们的要求：

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

或者，我们可以使用此模型，预测新数据：

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