第2章

理解并运用Keras

Keras是一个可在TensorFlow（或者是Theano或CNTK）之上运行的简单易学的高级Python深度学习库。它可以让开发者只需将注意力放在深度学习的主要概念上，比如为神经网络创建层，与此同时它兼顾考虑了张量形状和数学细节等重要的部分。TensorFlow（或者是Theano或CNTK）可以说是Keras的后端。你可以在没有与相对复杂的TensorFlow（或Theano或CNKT）做交互的情况下使用Keras来做深度学习的应用。现有两种主要的框架：序列API和函数式API。序列API的思想源自于大多数深度学习模型是一个由不同的层构成的序列。这是Keras最常见的运用和最简单的部分。序列模型可以被认为是层的线性栈。

简言之，你创建一个序列模型，你可以很容易地向其添加层，并且每层都可以有卷积、最大池化、激活、Dropout以及批量归一化等。让我们来浏览一下在Keras中创建深度学习的主要步骤。

2.1　深度学习模型构建的主要步骤

Keras中深度学习模型的四个核心部分如下：

1.定义模型。你可以创建一个序列模型并添加层。每一层可以包含一个或者多个卷积、池化、批量归一以及激活函数。

2.编译模型。在调用compile()函数之前，需要在模型中应用损失函数和优化器。

3.用训练数据拟合模型。通过调用fit()函数，你可以在训练数据上训练模型。

4.预测。这一步你可以用模型来对新数据生成预测，通过调用像evaluate()和predict()这样的函数来完成。

Keras中深度学习过程有八步：

1.载入数据

2.预处理数据

3.定义模型

4.编译模型

5.拟合模型

6.评估模型

7.预测

8.保存模型

2.1.1　载入数据

以下是如何载入数据：