Keras 是一个用 Python 编写的，高级的神经网络 API，使用 TensorFlow，Theano 等作为后端。快速，好用，易验证是它的优点。 官方文档传送门：http://keras.io/ 中文文档传送门：http://keras.io/zh 中文第三方文档：http://keras-cn.readthedocs.io
1.搭建模型
方法一：使用 Sequential() 搭建模型
Sequential 是实现全连接网络的最好方式。
1）Sequential 模型是多个网络层的线性堆栈，可以从 keras 的模型库中导入 Sequential 模型：
代码语言：javascript复制from keras.models import Sequential
import tensorflow as tf
# create a sequential model
model = Sequential()Using TensorFlow backend.2）将一些网络层 layers 通过 add() 叠加，构成一个网络：
from keras.layers import Dense,Activation
model.add(Dense(units=64,input_dim=100))
model.add(Activation('relu'))
model.add(Dense(units=10))
model.add(Activation('softmax'))也可以直接输入一个 list 完成 Sequential 模型的搭建：
代码语言：javascript复制model = Sequential([
(Dense(units=64,input_dim=100)),
(Activation('relu')),
(Dense(units=10)),
(Activation('softmax'))
])简便之处是，除第一层输入数据的 shape 要指定外，其他层的数据的 shape 框架会自动推导。
- 可以使用
input_shape这个关键字来指定第一层输入的 shape，input_shape是一个 tuple 类型的数据（可以是整数也可以填入 None，如果填入 None 则表示此位置可能是任何正整数）但需要注意的是，数据的 batch大小不应包含在其中 - 有些 2D 层，可以使用
Dense，指定第一层输入维度input_dim来隐含的指定输入数据的 shape，它是一个 Int 类型的数据。还有一些 3D 的时域层支持通过参数input_dim和input_length来指定输入 shape。
model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model = Sequential()
model.add(Dense(32, input_dim=784))3）创建好模型后可以使用 model.summary() 来查看最终的模型的结构
方法二：使用Model()搭建模型
方法一是使用 Sequential() (中文文档中的翻译为：序贯模型）来搭建模型，这里使用Model()（即：函数式模型）来搭建模型。
中文文档中的说明：Keras 函数式模型接口是用户定义多输出模型、非循环有向模型或具有共享层的模型等复杂模型的途径。一句话，只要你的模型不是类似 VGG 一条路走到黑的模型，或者你的模型需要多于一个的输出，那么你总应该选择函数式模型。函数式模型是最广泛的一类模型，序贯模型（Sequential）只是它的一种特殊情况。
先来一个简单的例子：
代码语言：javascript复制from keras.layers import Input, Dense
from keras.models import Model
# This returns a tensor
inputs = Input(shape=(784,))
# a layer instance is callable on a tensor, and returns a tensor
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)
# This creates a model that includes
# the Input layer and three Dense layers
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
model.fit(data, labels) # starts training函数式模型提供了接口供我们使用，利用接口可以很便利的调用已经训练好的模型，比如像 VGG，Inception 这些强大的网络。但要注意的是，调用模型的同时，也调用了它的权重数据。函数式模型创建好之后也能够像序贯模型一样 compile 和 fit，方法一致。
更多详见：http://keras-cn.readthedocs.io/en/latest/getting_started/functional_API/#functional
2.编译创建好的模型
网络模型搭建完后，需要对网络的学习过程进行配置，否则在调用 fit 或 evaluate 时会抛出异常。可以使用 compile(self, optimizer, loss, metrics=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None) 来完成配置
compile() 主要接收前三个参数：
-
loss：字符串类型，用来指定损失函数，如：categorical_crossentropy，binary_crossentropy -
optimizer：字符串类型，用来指定优化方式，如：rmsprop，adam，sgd -
metrics：列表类型，用来指定衡量模型的指标，如：accuracy
model.compile(loss='categorical_crossentropy',
optimizer='sgd', metrics=['accuracy'])3.训练模型
训练模型一般使用fit()函数：
fit(self, x, y, batch_size=32, epochs=10, verbose=1,
callbacks=None, validation_split=0.0,
validation_data=None, shuffle=True,
class_weight=None, sample_weight=None,
initial_epoch=0)- x: 训练数据数组。如果输入的是框架本地的张量(如 Tensorflow 的数据 tensors )， x 可以是 None (默认) 。
- y: 目标(标签)数据数组。如果输入的是框架本地的张量(如 Tensorflow 的数据 tensors )， y 可以是 None (默认) 。
- batch_size: 指定 batch 的大小，为整数或者为 None。如果没有指定，默认为 32。
- epochs: 指定训练时全部样本的迭代次数，为整数。
下面是训练模型的例子(来自官方文档)：
代码语言：javascript复制# For a single-input model with 2 classes (binary classification):
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])
# Generate dummy data
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))
# Train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)# For a single-input model with 10 classes (categorical classification):
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
# Generate dummy data
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(10, size=(1000, 1))
# Convert labels to categorical one-hot encoding
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)
# Train the model, iterating on the data in batches of 32 samples
model.fit(data, one_hot_labels, epochs=10, batch_size=32)
