1. 介绍

可以作为tensorflow、CNTK等高阶应用的接口，它本身不提供计算，偏前端。

可以帮助我们进行深度模型的设计、调试、评估和可视化。为什么不直接使用tensorflow的这些功能呢？因为keras的以下特点。

1.1. 用户友好

极大减少用户代码量

如果直接用tensorflow可能要用很多代码

1.2. 模块性

网络层、损失函数、优化器、正则化方法都是独立的，方便我们构建和维护

1.3. 易扩展性

依照现有模块编写的类或方法都可使用

2. keras的模块

2.1. keras.layers

很多神经网络层，比如 全连接、RNN、CNN

2.1.1. 常用层

layers.core

2.1.1.1. 全连接层

layers.core.dense(n, activation='')

n表示多少个神经元

activation为激活函数

2.1.1.2. Dropout

随机丢弃一部分神经元来防止过拟合

layers.core.Dropout(rate, seed='')

2.1.2. 卷积层

layers.convolutional

2.1.2.1. CNN

layers.convolutional.Con2D(N, kernel_shape, padding, activation)

图片用2D，文字可以是1D

kernel_shape是卷积核

padding是填充，不填充尺寸会不断缩小

activation是激活函数

2.1.3. RNN

layers.convolutional.SimpleRNN(N, activation='')

这是简单RNN，实际工作中可以是复杂的RNN，比如双向RNN

2.2. keras.models

创建模型，创建模型后再创建layers

它还提供了模型训练、优化和保存等方法

2.2.1. 创建模型

model = models.Sequential()

实例下模型对象，再加layers

具体可以如下：

1. models.Sequential([layers.Dense(n, input_shape), ])

2. Model = models.Sequential()
   Model.add([layers.Dense(n, input_shape), ])

1. InputShape = Input()
   Layer1 = layers.Dense(n)(InputShape)

2.2.2. 模型训练/预测

Model.fit()

这里需要注意的训练数据的格式是有要求的，需要进行一些调整。

Model.predict()

可以看到效果并不好，稍有常识的同学就知道用卷积神经网络应该会有更好的效果。这里只是一个简单的学习案例，不做更多的深入。

2.2.3. 保存与加载

Model.save

models.load()

2.3. keras.optimizers

优化器，比如SGD、Adam等，都封装在里面

2.3.1. SGD

optimizers.SGD(lr,decay,momentum, nesterov)

随机梯度下降，lr代表学习率，学习率不会变

2.3.2. Adam

optimizers.Adam(lr, beta_1, beta_2, epsilone, decay, amsgrad=False)

现在非常常见的优化器，学习率会随着训练下降

2.4. keras.activations

激活函数

2.4.1. activations.softmax

一般用在多分类任务

2.4.2. activations.relu

现在也非常常用，解决了一些梯度消失问题

2.4.3. activations.tanh

双曲正切函数，缺点是靠近正无穷或负无穷时会存在梯度消失问题

2.4.4. activations.elu

是relu的改进版，relu在0点不能求导

2.5. keras.datasets

封装了很多数据集，用于学习，比如mnist手写数字

优点是开源、免费，且已经被处理好

2.5.1. CIFAR10

6万张32*32彩色图片，可以做多分类

2.5.2. IMDB

电影评论，有正向负向情感，可以做二分类

2.5.3. 波士顿房价

可用于回归的学习

2.5.4. 话题分类newswire

2.6. keras.applications

提供了带有预训练权重的深度学习模型，用的时候直接导入或者微调就可以了