Keras官网: https://keras.io/
Keras is a high-level neural networks API, written in Python and capable of running on top of TensorFlow, CNTK, or Theano.
手写神经网络是很繁杂的，就算用tensorflow等框架，也需要手动计算很多参数；
Keras可以封装TensorFlow的所有接口，可以更方便，更抽象的设计神经网络工程；
Keras 使神经网络的编写过程更简单。为了展示有多简单，将用几行代码构建一个完全连接的简单网络。
要使用 Keras，你需要知道以下几个核心概念。
1.序列模型
keras.models.Sequential 类是神经网络模型的封装容器。它会提供常见的函数，例如 fit()、evaluate() 和 compile()。
from keras.models import Sequential
#Create the Sequential model
model = Sequential()
2.层
Keras 层就像神经网络层。有全连接层、最大池化层和激活层。你可以使用模型的 add() 函数添加层。例如，简单的模型可以如下所示：
from keras.models import Sequential
from keras.layers.core import Dense, Activation, Flatten
#创建序列模型
model = Sequential()
#第一层 - 添加有128个节点的全连接层以及32个节点的输入层
model.add(Dense(128, input_dim=32))
#第二层 - 添加 softmax 激活层
model.add(Activation('softmax'))
#第三层 - 添加全连接层
model.add(Dense(10))
#第四层 - 添加 Sigmoid 激活层
model.add(Activation('sigmoid'))
Keras 将根据第一层自动推断后续所有层的形状。这意味着，你只需为第一层设置输入维度。
上面的第一层 model.add(Dense(input_dim=32)) 将维度设为 32（表示数据来自 32 维空间）。第二层级获取第一层级的输出，并将输出维度设为 128 个节点。这种将输出传递给下一层级的链继续下去，直到最后一个层级（即模型的输出）。可以看出输出维度是 10。
构建好模型后，我们就可以用以下命令对其进行编译。我们将损失函数指定为我们一直处理的 categorical_crossentropy。我们还可以指定优化程序，稍后我们将了解这一概念，暂时将使用 adam。最后，我们可以指定评估模型用到的指标。我们将使用准确率。
3.编译模型
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics = ['accuracy'])
4.查看模型架构：
model.summary()
Model: "sequential_10"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_13 (Dense) (None, 128) 4224
_________________________________________________________________
activation_11 (Activation) (None, 128) 0
_________________________________________________________________
dense_14 (Dense) (None, 10) 1290
_________________________________________________________________
activation_12 (Activation) (None, 10) 0
=================================================================
Total params: 5,514
Trainable params: 5,514
Non-trainable params: 0
_________________________________________________________________
然后使用以下命令对其进行拟合，指定 epoch 次数和我们希望在屏幕上显示的信息详细程度。
然后使用fit命令训练模型并通过 epoch 参数来指定训练轮数（周期），每 epoch 完成对整数据集的一次遍历。 verbose 参数可以指定显示训练过程信息类型，这里定义为 0 表示不显示信息。
5.拟合模型
model.fit(X, y, nb_epoch=1000, verbose=0)
注意：在 Keras 1 中，nb_epoch 会设置 epoch 次数，但是在 Keras 2 中，变成了 epochs。
6.评估模型
最后，我们可以使用以下命令来评估模型：
model.evaluate()
练习
我们从最简单的示例开始。构建一个简单的多层前向反馈神经网络以解决 XOR 问题。
将第一层设为 Dense() 层，并将节点数设为8，且 input_dim 设为 2。
在第二层之后使用 softmax 激活函数。
将输出层节点设为 2，因为输出只有 2 个类别。
在输出层之后使用 softmax 激活函数。
对模型运行 10 个 epoch。
import numpy as np
from keras.utils import np_utils
import tensorflow as tf
# Using TensorFlow 1.0.0; use tf.python_io in later versions
#tf.python.control_flow_ops = tf
# Set random seed
np.random.seed(42)
# Our data
X = np.array([[0,0],[0,1],[1,0],[1,1]]).astype('float32')
y = np.array([[0],[1],[1],[0]]).astype('float32')
# Initial Setup for Keras
from keras.models import Sequential
from keras.layers.core import Dense, Activation
# One-hot encoding the output
y = np_utils.to_categorical(y)
# Building the model
xor = Sequential()
# Add required layers
xor.add(Dense(64, input_dim=2))
xor.add(Dense(8))
xor.add(Activation("relu"))
xor.add(Dense(2))
xor.add(Activation("softmax"))
# Specify loss as "binary_crossentropy", optimizer as "adam",
# and add the accuracy metric
xor.compile(loss="binary_crossentropy", optimizer="adam", metrics = ['accuracy'])
# Uncomment this line to print the model architecture
xor.summary()
# Fitting the model
history = xor.fit(X, y, nb_epoch=100, verbose=0)
# Scoring the model
score = xor.evaluate(X, y)
print("\nAccuracy: ", score[-1])
# Checking the predictions
print("\nPredictions:")
print(xor.predict_proba(X))
Model: "sequential_7"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_8 (Dense) (None, 64) 192
_________________________________________________________________
dense_9 (Dense) (None, 8) 520
_________________________________________________________________
activation_7 (Activation) (None, 8) 0
_________________________________________________________________
dense_10 (Dense) (None, 2) 18
_________________________________________________________________
activation_8 (Activation) (None, 2) 0
=================================================================
Total params: 730
Trainable params: 730
Non-trainable params: 0
_________________________________________________________________
/home/leon/anaconda3/lib/python3.7/site-packages/ipykernel_launcher.py:40: UserWarning: The `nb_epoch` argument in `fit` has been renamed `epochs`.
4/4 [==============================] - 0s 6ms/step
Accuracy: 1.0
Predictions:
[[0.79214245 0.20785749]
[0.15228593 0.84771407]
[0.19008899 0.809911 ]
[0.7188974 0.28110263]]
