本文内容参考《深度学习计算机视觉实战》，该书内容包括深度学习与计算机视觉基础介绍、常用的OpenCV进行模型训练前处理与后处理算法、计算机视觉案例实战、Windows/Linux/Android/国产化平台的模型部署，学习路线如下：
Keras是最常见的深度学习库之一，能够帮助用户快速构建深度学习网络。Keras的张量计算依赖于处理后端，Keras中提供了Theano/Tensorflow/CNTK三种后端引擎，三种引擎的函数使用统一封装，在用户层面可以切换后端引擎，但是调用的API相同。
Keras提供了丰富的API用于模型的搭建与训练，本节介绍常用API，用户若想深入了解可以参考官方文档。
1 Keras模型
Keras中提供两种模型构建方法：构建顺序模型和使用函数式API构建的Model类模型。
顺序模型是网络层的线性叠加，使用Sequential()函数创建，可以将网络的层当做参数传入，如下所示传入了四个层，Conv2D（卷积层），Activation（激活层），Dense（全连接层），Activation（激活层）。
from keras.models import Sequential
from keras.layers import Conv2D, Dense, Activation
model = Sequential([
Conv2D(3, (3, 3), padding='same')(inputs),
Activation('Relu'),
Dense(10),
Activation('softmax'),
])
也可以创建一个空的模型，向里面添加层。
model = Sequential()
model.add(Conv2D(3, (3, 3), padding='same')(inputs))
model.add(Activation('Relu'))
model.add(Dense(10))
model.add(Activation('softmax'))
上面两种创建顺序模型的方式是等价的，使用顺序模型可以一层层的叠加模型的层。
函数式API的Model类模型由keras.Model()创建。
inputs = keras.Input(shape=(3,))
x = keras.layers.Dense(784, activation='Relu')(inputs)
outputs = keras.layers.Dense(10, activation='softmax')(x)
model = keras.Model(inputs=inputs, outputs=outputs)
除了这两种模型之外，还可以继承Keras.Model定制化创建自己的模型，这种方式具有更大的灵活性。
2 Keras层
Keras的层由keras.layers引入，常用的层有Conv2D，Dense，Activation，Input、MaxPooling2D、BatchNormalization、AveragePooling2D、Dropout、AveragePooling2D。
Conv2D：提供二维的卷积功能。
Dense：提供w*x+b的功能，和全连接类似。
Activation：提供激活函数功能。
Input：提供输入函数。
MaxPooling2D：提供最大池化功能。
AveragePooling2D：提供平均池化功能。
BatchNormalization：提供归一化功能。
Dropout：对输入应用Dropout功能。
这些函数层都是类的形式定义，传入的参数会初始化类成员，然后调用后端对应的功能函数，以MaxPooling2D为例，调用如下。
class MaxPooling2D(_Pooling2D):
@interfaces.legacy_pooling2d_support
def __init__(self, pool_size=(2, 2), strides=None, padding='valid',
data_format=None, **kwargs):
super(MaxPooling2D, self).__init__(pool_size, strides, padding,
data_format, **kwargs)
def _pooling_function(self, inputs, pool_size, strides,
padding, data_format):
output = K.pool2d(inputs, pool_size, strides,
padding, data_format,
pool_mode='max')
return output
MaxPooling2D传入的参数就是池化核大小pool_size，步长strides，padding的类型padding，数据类型data_format。在_pooling_function中调用某一个后端的pool2d函数。
Linux系统中可以在$HOME/.keras/keras.json中找到Keras配置文件，如果是Windows则是在%USERPROFILE%/.keras/keras.json中保存配置文件，内容如下所示：
{
"floatx": "float32",
"epsilon": 1e-07,
"backend": "tensorflow",
"image_data_format": "channels_last"
}
可以在这里修改后端为"tensorflow"，“theano” 和 "cntk"中的一个，也可以使用用户自定义的后端，自定义后端需要定义了placeholder、variable以及function三个函数，否则会报后端无效的错误。
用户也可以通过设置环境变量KERAS_BACKEND来改变后端，设置之后会修改配置文件中的后端设置值。
3 模型编译
Keras中模型编译是通过compile方法完成的，如下所示，常用的三个参数为优化器optimizer，损失函数loss以及评价函数metrics。
model.compile(optimizer='rmsprop',
loss='mse',
metrics=['accuracy'])
开发者还可以根据需要设置其他的参数，compile的函数定义如下：
def compile(self,
optimizer, #优化器
loss=None, #损失函数
metrics=None, #评价函数
loss_weights=None, #指定不同损失函数的权重
sample_weight_mode=None, #采样权重模式
weighted_metrics=None, #加权评估标准
target_tensors=None, #指定自己的目标张量
**kwargs)
optimizer中提供了八种可选的优化器的类型：SGD、RMSprop、Adam、Adadelta、Adagrad、Adamax、Nadam、Ftrl。
loss为模型训练定义的损失函数，用户可以选择已有的损失函数，也可以自定义损失函数。使用时根据分类或者回归任务的不同选择不同的损失函数，如分类任务中常用的交叉熵损失函数keras.losses.categorical_crossentropy。如果模型具有多个输出，对应的多个损失函数可以通过字典或列表进行参数传递，这样在每个输出上使用不同的损失，最终的最小化损失是最小化所有输出损失的总和。
metrics为评价函数，用于评估当前训练模型的性能，是模型训练和测试期间的评估标准，如使用准确率作为标准可以传入metrics = [‘accuracy’]，对于多输出模型可以用字典传递不同的评价函数。
4 模型训练
Keras模型训练使用fit函数。
model.fit(inputs, labels, epochs=10, batch_size=32)
如上面的调用传入了输入数据inputs，标签labels，训练轮次10轮，每一次梯度更新使用的样本数量大小为32（即batch的大小）。
fit函数还可以设置其他的参数，函数的定义如下：
def fit(self,
x=None, #输入数据
y=None, #标签label
batch_size=None, #训练batch大小
epochs=1, #训练轮次
verbose=1, #日志输出的方式
callbacks=None, #回调函数
validation_split=0., #验证集的比例
validation_data=None, #验证集
shuffle=True, #是否打乱样本顺序
class_weight=None, #为不同类别设置不同的权重
sample_weight=None, #样本加权
initial_epoch=0, #从指定epoch开始训练
steps_per_epoch=None, #每个epoch的步数
validation_steps=None, #若steps_per_epoch被指定，表示验证集上step总数
validation_freq=1, #验证集验证频次
max_queue_size=10, #生成器序列的最大值
workers=1, #最大线程数
use_multiprocessing=False, #是否多线程
**kwargs)
在训练的过程中可以根据需要选择合适的参数，例如是否需要使用验证集做验证，是否打乱输入数据，以及根据训练机器的性能选择是否使用多线程和设置最大的线程数。