在人工智能研究的大潮中，如何模拟人类对于静态或动态目标的有效识别预测一直是研究热点，通过智能技术实现对于目标特征的学习并对特定目标进行快速识别，预测得出目标识别概率，实现基于深度学习模型在复杂背景、不确定外部干扰下的高精度、实时识别目标，能够保持或者优于有丰富经验人员的识别效果。
基础操作
首先，安装Keras、TensorFlow，将TensorFlow作为后端，先去安装TensorFlow。一旦，安装完成了 TensorFlow，只需要使用 pip 很容易的安装 Keras。
安装 h5py，用于模型的保存和载入：
pip install h5py
pip install numpy scipy
pip install pillow
sudo pip install keras
使用以下命令来查看 Keras 版本。
>>> import kerasUsing TensorFlow backend.
>>> keras.__version__'2.0.4'
一旦，Keras 被安装完成，需要去修改后端文件，也就是去确定，需要 TensorFlow 作为后端，还是 Theano 作为后端，修改的配置文件位于 ~/.keras/keras.json 。具体配置如下：
{
"floatx": "float32",
"epsilon": 1e-07,
"backend": "tensorflow",
"image_data_format": "channels_last"
}
请注意，参数 image_data_format 是 channels_last ，也就是说这个后端是 TensorFlow。因为，在TensorFlow中图像的存储方式是[height, width, channels]，但是在Theano中是完全不同的，也就是 [channels, height, width]。因此，如果没有正确的设置这个参数，那么你模型的中间结果将是非常奇怪的。对于Theano来说，这个参数就是channels_first。
在Keras中主要的数据结构是 model ，该结构定义了一个完整的图。可以向已经存在的图中加入任何的网络结构。
import keras |
|---|
Keras 有两种不同的建模方式：
1. Sequential models：这种方法用于实现一些简单的模型。你只需要向一些存在的模型中添加层就行了。
2. Functional API：Keras的API是非常强大的，你可以利用这些API来构造更加复杂的模型，比如多输出模型，有向无环图等等。
序列模型
将解决一个简单的线性回归问题进行建模示例，以下代码是如何开始导入和构建序列模型。
from keras.models import Sequential
models = Sequential()
接下来可以向模型中添加 Dense（full connected layer），Activation，Conv2D，MaxPooling2D函数。
from keras.layers import Dense, Activation, Conv2D, MaxPooling2D, Flatten, Dropout
model.add(Conv2D(64, (3,3), activation='relu', input_shape = (100,100,32)))
# This ads a Convolutional layer with 64 filters of size 3 * 3 to the graph
以下是如何将一些最流行的图层添加到网络中。
1. 卷积层
这里使用一个卷积层，64个卷积核，维度是33的，之后采用 relu 激活函数进行激活，输入数据的维度是 `100100*32`。注意，如果是第一个卷积层，那么必须加上输入数据的维度，后面几个这个参数可以省略。
model.add(Conv2D(64, (3,3), activation='relu', input_shape = (100,100,32)))
2. MaxPooling 层
指定图层的类型，并且指定赤的大小，然后自动完成赤化操作，酷毙了！
model.add(MaxPooling2D(pool_size=(2,2)))
3. 全连接层
这个层在 Keras 中称为被称之为 Dense 层，只需要设置输出层的维度，然后Keras就会帮助自动完成了。
model.add(Dense(256, activation='relu'))
4. Dropout
model.add(Dropout(0.5))
5. 扁平层
model.add(Flatten())
6. 数据输入
网络的第一层需要读入训练数据。因此我们需要去制定输入数据的维度。因此，input_shape 参数被用于制定输入数据的维度大小。
model.add(Conv2D(32, (3,3), activation='relu', input_shape=(224, 224, 3)))
在这个例子中，数据输入的第一层是一个卷积层，输入数据的大小是 224*224*3 。
以上操作利用序列模型构建了一个模型。一旦指定了一个网络架构，还需要指定优化器和损失函数。在Keras中使用compile函数来达到这个功能。比如，在下面的代码中，使用 rmsprop 来作为优化器，binary_crossentropy 来作为损失函数值。
model.compile(loss='binary_crossentropy', optimizer='rmsprop')
如果想要使用随机梯度下降，那么需要选择合适的初始值和超参数：
from keras.optimizers import SGD
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd)
现在，已经构建完了模型。接下来，让向模型中输入数据，在Keras中是通过 fit 函数来实现的。也可以在该函数中指定 batch_size 和 epochs 来训练。
model.fit(x_train, y_train, batch_size = 32, epochs = 10, validation_data(x_val, y_val))
最后，使用 evaluate 函数来测试模型的性能。
score = model.evaluate(x_test, y_test, batch_size = 32)
这些就是使用序列模型在Keras中构建神经网络的具体操作步骤。
线性回归
在线性回归问题中，可以得到很多的数据点，然后需要使用一条直线去拟合这些离散点。在这个例子中，创建了100个离散点，然后用一条直线去拟合它们。
a) 创建训练数据
TrainX 的数据范围是 -1 到 1，TrainY 与 TrainX 的关系是3倍，并且加入了一些噪声点。
import keras
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
trX = np.linspace(-1, 1, 101)
trY = 3 * trX np.random.randn(*trX.shape) * 0.33
b) 构建模型
首先需要构建一个序列模型。需要的只是一个简单的链接，因此只需要使用一个 Dense 层就够了，然后用线性函数进行激活。
model = Sequential()
model.add(Dense(input_dim=1, output_dim=1, init='uniform', activation='linear'))
下面的代码将设置输入数据 x，权重 w 和偏置项 b。具体的初始化工作如下：
weights = model.layers[0].get_weights()
w_init = weights[0][0][0]
b_init = weights[1][0]
print('Linear regression model is initialized with weights w: %.2f, b: %.2f' % (w_init, b_init))
## Linear regression model is initialized with weight w: -0.03, b: 0.00
现在，可以l利用自己构造的数据 trX 和 trY 来训练这个线性模型，其中 trY 是 trX 的3倍。因此，权重 w 的值应该是 3。
使用简单的梯度下降来作为优化器，均方误差（MSE）作为损失值。如下：
model.compile(optimizer='sgd', loss='mse')
最后，使用 fit 函数来输入数据。
model.fit(trX, trY, nb_epoch=200, verbose=1)
在经过训练之后，再次打印权重：
weights = model.layers[0].get_weights()
w_final = weights[0][0][0]
b_final = weights[1][0]
print('Linear regression model is trained to have weight w: %.2f, b: %.2f' % (w_final, b_final))
##Linear regression model is trained to have weight w: 2.94, b: 0.08
在运行 200 轮之后，现在权重非常接近于 3。可以将运行的轮数修改为区间 [100, 300] 之间，然后观察输出结构有什么变化。
一旦利用Keras完成了训练，就可以将的网络保存在HDF5里面。当然，你需要先安装 h5py。HDF5 格式非常适合存储大量的数字，并从 numpy 处理这些数据。比如，可以轻松的将存储在磁盘上的多TB数据集进行切片，就好像他们是真正的 numpy 数组一样。还可以将多个数据集存储在单个文件中，遍历他们或者查看 .shape 和 .dtype 属性。
如果要保存训练好的权重，那么可以直接使用 save_weights 函数。
model.save_weights("my_model.h5")
载入预训练权重，如果想要载入以前训练好的模型，那么可以使用 load_weights 函数。
model.load_weights('my_model_weights.h5')
应用级复杂神经网络举例
如果对于简单的模型和问题，那么序列模型是非常好的方式。但是如果要构建一个现实世界中复杂的网络，那么就需要知道一些功能性的API，在很多流行的神经网络中都有一个最小的网络结构，完整的模型是根据这些最小的模型进行叠加完成的。这些基础的API可以让一层一层的构建模型。因此，只需要很少的代码就可以来构建一个完整的复杂神经网络。
首先，需要导入一些包。
from keras.models import Model
现在，需要去指定输入数据，而不是在顺序模型中，在最后的 fit 函数中输入数据。这是序列模型和这些功能性的API之间最显著的区别之一。使用 input() 函数来申明一个 1*28*28 的张量。
from keras.layers import Input
## First, define the vision modules
digit_input = Input(shape=(1, 28, 28))
现在，让来利用API设计一个卷积层，需要指定要在在哪个层使用卷积网络，具体代码这样操作：
x = Conv2D(64, (3, 3))(digit_input)
x = Conv2D(64, (3, 3))(x)
x = MaxPooling2D((2, 2))(x)
out = Flatten()(x)
最后，对于指定的输入和输出数据来构建一个模型。
vision_model = Model(digit_input, out)
当然，还需要指定损失函数，优化器等等。
在进行图像目标识别时可以使用的模型有很多，但是通常图像目标识别对于计算资源要求很高，而equeezeNet 是一个非常了不起的网络架构，它的显著点不在于对正确性有多少的提高，而是减少了计算量。当SequeezeNet的正确性和AlexNet接近时，但是ImageNet上面的预训练模型的存储量小于5 MB，这对于在现实世界中使用CNN是非常有利的。SqueezeNet模型引入了一个 Fire模型，它由交替的 Squeeze 和 Expand 模块组成。
SqueezeNet fire module
对 fire 模型进行多次复制，从而来构建完整的网络模型，具体如下：
为了去构建这个网络，将利用Keras API的功能来构建一个单独的 fire 模块，当构建完模型后即可对一幅图识别概率预测。
