《深度学习之图像识别：核心技术与案例实战》 ——2.1.5 Keras简介

2.1.5  Keras简介

　　Keras是一个高度模块化的神经网络库，使用Python实现，并可以同时运行在Tensor Flow和Theano上。Keras无须额外的文件来定义模型，仅通过编程的方式改变模型结构和调整超参数，旨在让用户进行最快速的原型实验，比较适合在探索阶段快速地尝试各种网络结构。其组件都是可插拔的模块，只需要将一个个组件（比如卷积层、激活函数等）连接起来，但是设计新模块或者新的Layer时则不太方便。在Keras中可通过几行代码就实现MLP，AlexNet的实现也仅需十几行代码。

　　Theano和TensorFlow的计算图支持更通用的计算，而Keras则专精于深度学习。它同时支持卷积网络和循环网络，支持级联的模型或任意的图结构的模型，从CPU上计算切换到GPU加速无须任何代码的改动。

　　因为底层使用Theano或TensorFlow，用Keras训练模型相比于前两者基本没有性能损耗（还可以享受前两者持续开发带来的性能提升），只是简化了编程的复杂度，节约了尝试新网络结构的时间。可以说模型越复杂，使用Keras的收益就越大，尤其是在高度依赖权值共享、多模型组合、多任务学习等模型上，Keras表现得非常突出。

　　Keras也包括绝大部分state-of-the-art的Trick，包括Adam、RMSProp、Batch?Normalization、PReLU、ELU和LeakyReLU等。但目前Keras最大的问题就是不支持多GPU，没有分布式框架。