![]()
Python的科学计算包主要是Theano和TensorFlow：很强大，但有点难用。Keras可以基于这两种包之一方便地建立神经网络。本章包括：
- 使用Keras进行深度学习
- 如何配置Keras的后端
- Keras的常见操作
我们开始吧。
4.1 Keras是什么？
Keras可以基于Theano或TensorFlow建立深度学习模型，方便研究和开发。Keras可以在Python 2.7或3.5运行，无痛调用后端的CPU或GPU网络。Keras由Google的Francois Chollet开发，遵循以下原则：
- 模块化：每个模块都是单独的流程或图，深度学习的所有问题都可以通过组装模块解决
- 简单化：提供解决问题的最简单办法，不加装饰，最大化可读性
- 扩展性：新模块的添加特别容易，方便试验新想法
- Python：不使用任何自创格式，只使用原生Python
4.2 安装Keras
Keras很好安装，但是你需要至少安装Theano或TensorFlow之一。
使用PyPI安装Keras：
sudo pip install keras
本书完成时，Keras的最新版本是1.0.1。下面这句话可以看Keras的版本：
python -c "import keras; print keras.__version__"
Python会显示Keras的版本号，例如：
1.0.1
Keras的升级也是一句话：
sudo pip install --upgrade keras
4.3 配置Keras的后端
Keras是Theano和TensorFlow的轻量级API，所以必须配合后端使用。后端配置只需要一个文件：
~/.keras/keras.json
里面是：
{"epsilon": 1e-07, "floatx": "float32", "backend": "theano"}
默认的后端是theano，可以改成tensorflow。下面这行命令会显示Keras的后端：
python -c "from keras import backend; print backend._BACKEND"
默认会显示：
Using Theano backend.
theano
变量KERAS_BACKEND可以控制Keras的后端，例如：
KERAS_BACKEND=tensorflow python -c "from keras import backend; print backend._BACKEND"
会输出：
Using TensorFlow backend.
tensorflow
4.4 使用Keras搭建深度学习模型
Keras的目标就是搭建模型。最主要的模型是Sequential：不同层的叠加。模型创建后可以编译，调用后端进行优化，可以指定损失函数和优化算法。
编译后的模型需要导入数据：可以一批批加入数据，也可以一次性全加入。所有的计算在这步进行。训练后的模型就可以做预测或分类了。大体上的步骤是：
- 定义模型：创建
Sequential模型，加入每一层
- 编译模型：指定损失函数和优化算法，使用模型的
compile()方法
- 拟合数据：使用模型的
fit()方法拟合数据
- 进行预测：使用模型的
evaluate() 或 predict()方法进行预测
4.5 总结
本章关于Keras。总结一下：
- Keras是Theano和TensorFlow的封装，降低了复杂性
- Keras是最小化、模块化的封装，可以迅速上手
- Keras可以通过定义-编译-拟合搭建模型，进行预测
