Keras:基於Python的深度學習庫

（轉）Keras:基於Python的深度學習庫

Keras中文文檔 鏈接

這就是Keras

Keras是一個高層神經網路API，Keras由純Python編寫而成並基Tensorflow、Theano以及CNTK後端。Keras 為支持快速實驗而生，能夠把你的idea迅速轉換為結果，如果你有如下需求，請選擇Keras：

• 簡易和快速的原型設計（keras具有高度模塊化，極簡，和可擴充特性）
• 支持CNN和RNN，或二者的結合
• 無縫CPU和GPU切換

Keras適用的Python版本是：Python 2.7-3.6

Keras的設計原則是

• 用戶友好：Keras是為人類而不是天頂星人設計的API。用戶的使用體驗始終是我們考慮的首要和中心內容。Keras遵循減少認知困難的最佳實踐：Keras提供一致而簡潔的API， 能夠極大減少一般應用下用戶的工作量，同時，Keras提供清晰和具有實踐意義的bug反饋。
• 模塊性：模型可理解為一個層的序列或數據的運算圖，完全可配置的模塊可以用最少的代價自由組合在一起。具體而言，網路層、損失函數、優化器、初始化策略、激活函數、正則化方法都是獨立的模塊，你可以使用它們來構建自己的模型。
• 易擴展性：添加新模塊超級容易，只需要仿照現有的模塊編寫新的類或函數即可。創建新模塊的便利性使得Keras更適合於先進的研究工作。
• 與Python協作：Keras沒有單獨的模型配置文件類型（作為對比，caffe有），模型由python代碼描述，使其更緊湊和更易debug，並提供了擴展的便利性。

關於Keras-cn

本文檔是Keras文檔的中文版，包括keras.io的全部內容，以及更多的例子、解釋和建議

現在，keras-cn的版本號將簡單的跟隨最新的keras release版本

由於作者水平和研究方向所限，無法對所有模塊都非常精通，因此文檔中不可避免的會出現各種錯誤、疏漏和不足之處。如果您在使用過程中有任何意見、建議和疑問，歡迎發送郵件到moyan_work@foxmail.com與我取得聯繫。

您對文檔的任何貢獻，包括文檔的翻譯、查缺補漏、概念解釋、發現和修改問題、貢獻示常式序等，均會被記錄在致謝，十分感謝您對Keras中文文檔的貢獻！

如果你發現本文檔缺失了官方文檔的部分內容，請積極聯繫我補充。

本文檔相對於原文檔有更多的使用指導和概念澄清，請在使用時關注文檔中的Tips，特別的，本文檔的額外模塊還有：

• Keras新手指南：我們新提供了「Keras新手指南」的頁面，在這裡我們對Keras進行了感性介紹，並簡單介紹了Keras配置方法、一些小知識與使用陷阱，新手在使用前應該先閱讀本部分的文檔。
• Keras資源：在這個頁面，我們羅列一些Keras可用的資源，本頁面會不定期更新，請注意關注
• 深度學習與Keras：位於導航欄最下方的該模塊翻譯了來自Keras作者博客keras.io 和其他Keras相關博客的文章，該欄目的文章提供了對深度學習的理解和大量使用Keras的例子，您也可以向這個欄目投稿。 所有的文章均在醒目位置標誌標明來源與作者，本文檔對該欄目文章的原文不具有任何處置權。如您仍覺不妥，請聯繫本人（moyan_work@foxmail.com）刪除。

當前版本與更新

如果你發現本文檔提供的信息有誤，有兩種可能：

• 你的Keras版本過低：記住Keras是一個發展迅速的深度學習框架，請保持你的Keras與官方最新的release版本相符
• 我們的中文文檔沒有及時更新：如果是這種情況，請發郵件給我，我會儘快更新

目前文檔的版本號是2.0.9，對應於官方的2.0.9 release 版本, 本次更新的主要內容是：

• recurrent新增ConvLSTM2D,SimpleRNNCell, LSTMCell, GRUCell, StackedRNNCells, CuDNNGRE, CuDNNLSTM層
• application中新增了模型InceptionResNetV2
• datasets新增fasion mnist
• FAQ新增Keras的多GPU卡運行指南
• utils新增多卡支持函數multi_gpu_model
• model.compile和model.fit API更新
• 由於年久失修，深度學習與Keras欄目中的很多內容的代碼已經不再可用，我們決定在新的文檔中移除這部分。仍然想訪問這些內容（以及已經被移除的一些層，如Maxout）的文檔的同學，請下載中文文檔的legacy文件夾，並使用文本編輯器（如sublime）打開對應.md文件。
• 修正了一些錯誤，感謝@孫永海，@Feng Ying的指正
• 此外，感謝@zh777k製作了Keras2.0.4中文文檔的離線版本，對於許多用戶而言，這個版本的keras對大多數用戶而言已經足夠使用了。下載地址在百度雲盤

注意，keras在github上的master往往要高於當前的release版本，如果你從源碼編譯keras，可能某些模塊與文檔說明不相符，請以官方Github代碼為準

快速開始：30s上手Keras

Keras的核心數據結構是「模型」，模型是一種組織網路層的方式。Keras中主要的模型是Sequential模型，Sequential是一系列網路層按順序構成的棧。你也可以查看函數式模型來學習建立更複雜的模型

Sequential模型如下

from keras.models import Sequentialmodel = Sequential()

將一些網路層通過.add()堆疊起來，就構成了一個模型：

from keras.layers import Dense, Activationmodel.add(Dense(units=64, input_dim=100))model.add(Activation("relu"))model.add(Dense(units=10))model.add(Activation("softmax"))

完成模型的搭建後，我們需要使用.compile()方法來編譯模型：

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

編譯模型時必須指明損失函數和優化器，如果你需要的話，也可以自己定製損失函數。Keras的一個核心理念就是簡明易用，同時保證用戶對Keras的絕對控制力度，用戶可以根據自己的需要定製自己的模型、網路層，甚至修改源代碼。

from keras.optimizers import SGDmodel.compile(loss=categorical_crossentropy, optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

完成模型編譯後，我們在訓練數據上按batch進行一定次數的迭代來訓練網路

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

當然，我們也可以手動將一個個batch的數據送入網路中訓練，這時候需要使用：

model.train_on_batch(x_batch, y_batch)

隨後，我們可以使用一行代碼對我們的模型進行評估，看看模型的指標是否滿足我們的要求：

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

或者，我們可以使用我們的模型，對新的數據進行預測：

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

搭建一個問答系統、圖像分類模型，或神經圖靈機、word2vec詞嵌入器就是這麼快。支撐深度學習的基本想法本就是簡單的，現在讓我們把它的實現也變的簡單起來！

為了更深入的了解Keras，我們建議你查看一下下面的兩個tutorial

• 快速開始Sequntial模型
• 快速開始函數式模型

還有我們的新手教程，雖然是面向新手的，但我們閱讀它們總是有益的：

• Keras新手指南

在Keras代碼包的examples文件夾里，我們提供了一些更高級的模型：基於記憶網路的問答系統、基於LSTM的文本的文本生成等。

安裝

Keras使用了下面的依賴包，三種後端必須至少選擇一種，我們建議選擇tensorflow。

• numpy，scipy
• pyyaml
• HDF5, h5py（可選，僅在模型的save/load函數中使用）
• 如果使用CNN的推薦安裝cuDNN

當使用TensorFlow為後端時：

• TensorFlow

當使用Theano作為後端時：

• Theano

當使用CNTK作為後端時：

• CNTK

「後端」翻譯自backend，指的是Keras依賴於完成底層的張量運算的軟體包。

從源碼安裝Keras時，首先git clone keras的代碼：

git clone https://github.com/fchollet/keras.git

接著 cd 到Keras的文件夾中，並運行下面的安裝命令：

sudo python setup.py install

你也可以使用PyPI來安裝Keras

sudo pip install keras

如果你用的是virtualenv虛擬環境，不要用sudo就好。

詳細的Windows和Linux安裝教程請參考「Keras新手指南」中給出的安裝教程，特別鳴謝SCP-173編寫了這些教程

在Theano、CNTK、TensorFlow間切換

Keras默認使用TensorFlow作為後端來進行張量操作，如需切換到Theano，請查看這裡