編譯：碼上打卡團隊
雖然深度神經網絡風靡一時，但主要框架的複雜性已成為新機器學習用戶使用的障礙。已經提出了幾種用於構建神經網絡模型的改進和簡化的高級API的建議，所有這些建議從整體看起來相似但在仔細檢查時顯示出差異。
Keras是領先的高級神經網絡API之一。它是用Python編寫的，支持多個後端神經網絡計算引擎。
Keras和TensorFlow
鑑於TensorFlow項目已採用Keras作為即將推出的TensorFlow 2.0版本的高級API，Keras看起來是贏了。在本文中，我們將探討Keras的原理和實現，著眼於理解為什麼它是對低級深度學習API的改進。
即使在TensorFlow 1.12中，官方的TensorFlow入門教程也使用了TensorFlow中嵌入的高級Keras API：tf.keras。相比之下，TensorFlow Core API需要使用TensorFlow計算圖，張量，操作和會話，當您剛剛開始使用TensorFlow時，其中一些很難理解。主要是在調試時，使用低級TensorFlow Core API有一些優點，但幸運的是，您可以根據需要混合使用高級和低級TensorFlow API。
Keras原則
Keras的創建是為了用戶友好，模塊化，易於擴展，並與Python一起使用。API是“為人類而不是機器設計的”，並且“遵循減少認知負荷的最佳實踐”。
神經層，成本函數，優化器，初始化方案，激活函數和正則化方案都是獨立模塊，您可以將它們組合在一起以創建新模型。新模塊很容易添加，作為新的類和函數。模型在Python代碼中定義，而不是單獨的模型配置文件。
為什麼選擇Keras？
使用Keras的最大原因源於其指導原則，主要是關於用戶友好的原則。除了易於學習和簡化模型構建之外，Keras還具有廣泛採用的優勢，支持廣泛的生產部署選項，與至少五個後端引擎（TensorFlow，CNTK，Theano，MXNet和PlaidML）集成，並強烈支持多個GPU和分佈式培訓。此外，Keras還得到了谷歌，微軟，亞馬遜，蘋果，Nvidia，優步等公司的支持。
Keras後端
Keras本身並不進行自己的低級操作，例如張量積和卷積; 它依賴於後端引擎。儘管Keras支持多個後端引擎，但其主要（和默認）後端是TensorFlow，其主要支持者是Google。Keras API打包在TensorFlow中的tf.keras中，如前所述，它將成為TensorFlow 2.0的主要TensorFlow API。
要更改後端，只需編輯$HOME/.keras/keras.json文件並指定其他後端名稱，例如theano或CNTK。或者，您可以通過KERAS_BACKEND在shell中或使用os.environ["KERAS_BACKEND"]屬性在Python代碼中定義環境變量來覆蓋已配置的後端。
Keras型號
該模型是Keras的核心數據結構。Keras中有兩種主要的模型類型：Sequential模型，以及Model與功能API一起使用的類。
Keras順序模型
該Sequential模型是層的線性堆棧，並且可以非常簡單地描述層。以下是Keras文檔中的一個示例，該文檔用於model.add()在Sequential模型中定義兩個密集層：
import keras
from keras.models import Sequential
from keras.layers import Dense
#註釋：使用add方法在用Dense層創建Sequentials模型
model = Sequential()
#Dense 實現步驟:
# output = activation(dot(input, kernel) + bias)
#單位是層的輸出空間的維數，等於隱藏單位的數量
# 激活和丟失函數可以由字符串或類指定
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))
#編譯方法配置模型的學習過程
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metrics=['accuracy'])
#fit方法做批量訓練
# x_train和y_train是Numpy數組，就像Scikit（一個學習API）
model.fit(x_train, y_train, epochs=5, batch_size=32)
#evaluate方法為訓練的模型計算丟失函數和矩陣
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
#predict方法為輸入的數據執行訓練的模型，輸出結果
classes = model.predict(x_test, batch_size=128)
上面代碼中的註釋值得一讀。還有一點值得注意的是，與低級TensorFlow API相比，實際代碼中有多少。每個層定義需要一行代碼，編譯（學習過程定義）需要一行代碼，擬合（訓練），評估（計算損失和度量），以及預測訓練模型的輸出每行需要一行代碼。
Keras功能API
Keras Sequential模型很簡單，但在模型拓撲中受到限制。所述Keras功能API是用於與共享層創建複雜的模型，如多輸入/多輸出模式，有向非循環圖（DAG），和模型是有用的。
功能API使用與Sequential模型相同的層，但在將它們組合在一起時提供了更大的靈活性。在功能API中，首先定義圖層，然後創建模型，編譯它，然後擬合（訓練）它。評估和預測與Sequential模型基本相同，因此在下面的示例代碼中已省略。
from keras.layers import Input, Dense
from keras.models import Model
# 這邊返回一個張量
inputs = Input(shape=(784,))
# 一個層實例在一個張量時是可調用的，然後返回一個張量
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)
# 這裡創建一個包括輸入層和三個Dense層
model = Model(inputs=inputs, outputs=predictions)
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
model.fit(data, labels) # starts training
Keras層
在前面的例子中，我們只使用了Dense圖層。Keras有多種預定義的圖層類型，還支持編寫自己的圖層。
核心層包括Dense（點積加偏差），Activation（傳遞函數或神經元形狀），Dropout（在每次訓練更新時隨機將輸入單位的一部分設置為0以避免過度擬合），Lambda（將任意表達式包裝為Layer對象），以及其他幾個。卷積層（使用濾波器創建要素圖）從1D到3D運行，包括最常見的變體，例如每個維度的裁剪和轉置卷積層。2D卷積受到視覺皮層功能的啟發，通常用於圖像識別。
池（縮減）層從1D到3D運行幷包括最常見的變體，例如最大和平均池。局部連接的層就像卷積層一樣，除了權重是非共享的。循環層包括簡單（完全連接的重複），門控，LSTM等; 這些對於語言處理以及其他應用程序非常有用。噪聲層有助於避免過度擬合。
Keras數據集
Keras通過keras.datasets課程提供了七個常見的深度學習樣本數據集。這包括cifar10和cifar100小彩色圖像，IMDB電影評論，路透社新聞專題，MNIST手寫數字，MNIST時尚圖片和波士頓房價。
Keras應用程序和示例
Keras還提供十種著名的模型，稱為Keras應用程序，預先針對ImageNet：Xception，VGG16，VGG19，ResNet50，InceptionV3，InceptionResNetV2，MobileNet，DenseNet，NASNet，MobileNetV2TK。您可以使用它們來預測圖像的分類，從中提取特徵，並在不同的類集上微調模型。
順便說一句，微調現有模型是加速培訓的好方法。例如，您可以根據需要添加圖層，凍結基礎圖層以訓練新圖層，然後解凍一些基礎圖層以微調培訓。您可以通過設置凍結圖層layer.trainable = False。
該Keras實例庫包含超過40個樣本模型。它們涵蓋了視覺模型，文本和序列以及生成模型。
部署Keras
Keras模型可以部署在廣泛的平臺上，可能比任何其他深度學習框架都要多。這包括iOS，通過CoreML（Apple支持）; Android，通過TensorFlow Android運行時 ; 在瀏覽器中，通過Keras.js 和 WebDNN ; 在Google Cloud上，通過 TensorFlow-Serving ; 在Python webapp後端 ; 在JVM上，通過DL4J模型導入 ; 並在Raspberry Pi上。
要開始使用Keras，請閱讀文檔，查看代碼存儲庫，安裝TensorFlow（或其他後端引擎）和Keras，並試用Keras Sequential模型的入門教程。從那裡你可以進入其他教程，並最終探索Keras示例。
閱讀更多 碼上打卡 的文章
