Keras 是一个Python 深度学习框架，可以方便地定义和训练几乎所有类型的深度学习模型。Keras 最开始是为研究人员开发的，其目的在于快速实验。因此，对于已理解和掌握了一些深度学习理论基础的初学者来说选Keras可以较快的实现深度学习编程的实操应用。对于Keras框架而言，其 具有以下重要特性。
? 相同的代码可以在 CPU或 GPU 上无缝切换运行。
? 具有用户友好的 API，便于快速开发深度学习模型的原型。
? 内置支持卷积网络（用于计算机视觉）、循环网络（用于序列处理）以及二者的任意组合。
? 支持任意网络架构：多输入或多输出模型、层共享、模型共享等。这也就是说，Keras能够构建任意深度学习模型，无论是生成式对抗网络还是神经图灵机。
Keras 基于宽松的MIT 许可证发布，这意味着可以在商业项目中免费使用它。它与所有版本的Python 都兼容（截至2017 年年中，从Python 2.7 到Python 3.6 都兼容）。Keras 已有200 000 多个用户，既包括创业公司和大公司的学术研究人员和工程师，也包括研究生和业余爱好者。Google、Netflix、Uber、CERN、Yelp、Square 以及上百家创业公司都在用Keras 解决各种各样的问题。Keras 还是机器学习竞赛网站Kaggle 上的热门框架，最新的深度学习竞赛中，几乎所有的优胜者用的都是Keras 模型，如图所示。
图1 各种深度学习框架的热度的变化趋势
（1）Keras、TensorFlow、Theano 和CNTK
Keras 是一个模型级（model-level）的库，为开发深度学习模型提供了高层次的构建模块。它不处理张量操作、求微分等低层次的运算。相反，它依赖于一个专门的、高度优化的张量库来完成这些运算，这个张量库就是Keras 的后端引擎（backend engine）。Keras 没有选择单个张量库并将Keras 实现与这个库绑定，而是以模块化的方式处理这个问题（见图2）。因此，几个不同的后端引擎都可以无缝嵌入到Keras 中。目前，Keras 有三个后端实现：TensorFlow 后端、Theano 后端和微软认知工具包（CNTK，Microsoft cognitive toolkit）后端。未来Keras 可能会扩展到支持更多的深度学习引擎。
图2 深度学习模块化机构
TensorFlow、CNTK 和Theano 是当今深度学习的几个主要平台。Theano 由蒙特利尔大学的MILA 实验室开发，TensorFlow 由Google 开发，CNTK 由微软开发。你用Keras 写的每一段代码都可以在这三个后端上运行，无须任何修改。也就是说，你在开发过程中可以在两个后端之间无缝切换，这通常是很有用的。例如，对于特定任务，某个后端的速度更快，那么我们就可以无缝切换过去。我们推荐使用TensorFlow 后端作为大部分深度学习任务的默认后端，因为它的应用最广泛，可扩展，而且可用于生产环境。
通过TensorFlow（或Theano、CNTK），Keras 可以在CPU 和GPU 上无缝运行。在CPU 上运行时，TensorFlow 本身封装了一个低层次的张量运算库，叫作Eigen；在GPU 上运行时，TensorFlow封装了一个高度优化的深度学习运算库，叫作NVIDIA CUDA 深度神经网络库（cuDNN）。
（2）使用Keras 开发：概述
你已经见过一个Keras 模型的示例，就是MNIST 的例子。典型的Keras 工作流程就和那个例子类似。
(1) 定义训练数据：输入张量和目标张量。
(2) 定义层组成的网络（或模型），将输入映射到目标。
(3) 配置学习过程：选择损失函数、优化器和需要监控的指标。
(4) 调用模型的fit 方法在训练数据上进行迭代。
定义模型有两种方法：一种是使用Sequential 类（仅用于层的线性堆叠，这是目前最常见的网络架构），另一种是函数式API（functional API，用于层组成的有向无环图，让你可以构建任意形式的架构）。前面讲过，这是一个利用Sequential 类定义的两层模型（注意，我们向第一层传入了输入数据的预期形状）。
from keras import models
from keras import layers
model = models.Sequential()
model.add(layers.Dense(32, activation='relu', input_shape=(784,)))
model.add(layers.Dense(10, activation='softmax'))
下面是用函数式API 定义的相同模型。
input_tensor = layers.Input(shape=(784,))
x = layers.Dense(32, activation='relu')(input_tensor)
output_tensor = layers.Dense(10, activation='softmax')(x)
model = models.Model(inputs=input_tensor, outputs=output_tensor)
利用函数式API，你可以操纵模型处理的数据张量，并将层应用于这个张量，就好像这些层是函数一样。一旦定义好了模型架构，使用Sequential 模型还是函数式API 就不重要了。接下来的步骤都是相同的。配置学习过程是在编译这一步，你需要指定模型使用的优化器和损失函数，以及训练过程中想要监控的指标。下面是单一损失函数的例子，这也是目前最常见的。
from keras import optimizers
model.compile(optimizer=optimizers.RMSprop(lr=0.001),
loss='mse',
metrics=['accuracy'])
最后，学习过程就是通过fit() 方法将输入数据的Numpy 数组（和对应的目标数据）传入模型，这一做法与Scikit-Learn 及其他机器学习库类似。
model.fit(input_tensor, target_tensor, batch_size=128, epochs=10)
在接下来的几讲里，你将会在这些问题上培养可靠的直觉：哪种类型的网络架构适合解决哪种类型的问题？如何选择正确的学习配置？如何调节模型使其给出你想要的结果？我们将几讲中讲解三个基本示例，分别是二分类问题、多分类问题和回归问题。
（摘自python深度学习）