原文链接：https://github.com/fastforwardlabs/keras-hello-world/blob/master/kerashelloworld.ipynb
原文标题：“Hello world” in Keras
本文全部代码基于python2，使用编辑器为ipython notebook，入门级。
高级神经网络库的出现，使开发人员能够快速构建神经网络模型，而不必担心浮点运算、张量代数和GPU编程的数值细节。
Keras是一种高级神经网络库，它基于Theano或TensorFlow的后端（backends）工作，提供了一种类似于scikit-learn的API。
我将提供一个快速上手教程，详细比对Keras和scikit-learn，并教会你如何使用Keras。
一、Scikit-learn
Scikit-learn是Python开发人员使用的最为流行的、功能完备的机器学习库。Scikit-learn的API围绕Estimator对象构建，表现出简单、连贯、一致的特性。这套API是针对机器学习工作流程的一个很好的描述，许多工程师都习惯于此，也在很多工具包中得到广泛使用。
我们从导入所需的库开始工作：scikit-learn、Keras和一些绘图功能。
%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
from sklearn.cross_validation import train_test_split
from sklearn.linear_model import LogisticRegressionCV
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.utils import np_utils1、Iris data
著名的鸢尾花（Iris）数据集（由Ronald Fisher于1936年发表）是一种展示机器学习框架API的好方法。从某种程度上说，Iris数据集是机器学习界的”Hello world“。
数据很简单，可以使用非常简单的分类器获得高精度。因此，使用神经网络解决这个问题有点小题大做。但是这不错啊！我们的目的是探索从数据到可用分类器所需的代码，而不是模型设计和选择的细节。
Iris数据集内置于许多机器学习库中。我更喜欢它在seaborn中的副本，因为这一副本是个有标签的数据框（dataframe），可以很容易的做数据可视化。既然我们使用seaborn库，不妨加载该数据集并观察一下前5个样本。
iris = sns.load_dataset("iris")
iris.head()对于每个样本（本例中是花），存在五个数据。其中前四项是花的尺寸（厘米）的标准测量，第五项是鸢尾花的种类。数据集中有三种鸢尾花：setosa、verscicolor和virginica。我们的工作是建立一个分类器，给定两个花瓣和两个萼片的测量，可以预测鸢尾花的种类。
2、调整并切分数据用于训练和测试
首先，我们需要从iris数据框中提取原始数据。我们将花瓣和萼片数据保存到数组X中，将种类标记保存到响应的数组Y中。
X = iris.values[:, :4]
y = iris.values[:, 4]按照有监督机器学习的标准，我们使用一部分数据训练模型，并使用剩余的数据衡量模型的性能。这是很容易做到的，已经内置成为scikit-learn的train_test_split()函数。
train_X, test_X, train_y, test_y = train_test_split(X, y, train_size=0.5, random_state=0)3、训练一个scikit-learn分类器
我们将要训练一个logistic回归分类器。训练分类器、使用内置的超参数交叉验证，是scikit-learn中的一条工作线。
像所有其他scikit-learn的Estimator对象一样，LogisticRegressionCV分类器有一个.fit()方法，可以处理模型训练细节，搜索到最适于训练集的模型参数。这个方法就是我们所要做的全部：
lr = LogisticRegressionCV()
lr.fit(train_X, train_y)4、基于正确率评估模型性能
现在我们可以测量训练得到的分类器在测试集上的性能优劣（如正确率：accuracy）。
print("Accuracy = {:.2f}".format(lr.score(test_X, test_y)))二、Keras
说明：本教程中的Keras选择Theano作为后端。
Keras默认使用TensorFlow作为后端来进行张量操作，也可以按需切换到Theano。
如果你至少运行过一次Keras，你将在下面的目录下找到Keras的配置文件：
~/.keras/keras.json如果该目录下没有该文件，你可以手动创建一个，文件的默认配置如下：
{
“image_dim_ordering”:”tf”,
“epsilon”:1e-07,
“floatx”:”float32”,
“backend”:”tensorflow”
}将backend字段的值改写为你需要使用的后端：theano或tensorflow，即可完成后端的切换。注意image_dim_ordering字段需要与之对应：th或tf，该选项指定了Keras将要使用的维度顺序，可通过keras.backend.image_dim_ordering()来获取当前的维度顺序。对2D数据来说，tf假定维度顺序为(rows,cols,channels)而th假定维度顺序为(channels, rows, cols)。对3D数据而言，tf假定(conv_dim1, conv_dim2, conv_dim3, channels)，th则是(channels, conv_dim1, conv_dim2, conv_dim3)。
1、现在做一些与Keras非常相似的事情
正如我们刚刚看到的，scikit-learn构建分类器非常简单：一行代码用于实例化分类器；一行代码用于训练分类器；一行代码用于衡量分类器性能。
在Keras上构建分类器只是稍微复杂一点。数据的预处理有一点变化，另外，我们必须做一些工作来定义网络，然后将其实例化为分类器，除此之外，Keras的使用与scikit-learn非常相似。
在数据预处理方面，scikit-learn分类器接收字符型标签，如”setosa“。但是，Keras需要将标签做独热编码（One-Hot-Encoded）。有很多方法可以实现独热编码。如果你是一个Pandas用户，那么可以使用pandas.get_dummies()，基于scikit-learn实现独热编码。此处我们使用一个Keras实用程序和一些numpy。
def one_hot_encode_object_array(arr):
'''One hot encode a numpy array of objects (e.g. strings)'''
uniques, ids = np.unique(arr, return_inverse=True)
return np_utils.to_categorical(ids, len(uniques))
train_y_ohe = one_hot_encode_object_array(train_y)
test_y_ohe = one_hot_encode_object_array(test_y)2、构建神经网络模型
除了这种在特定情况下需要的数据预处理之外，与scikit-learn最大的区别在于，使用Keras工作，你必须先指定模型的结构，然后才能实例化和使用它。
在scikit-learn中，模型是现成的。Keras是一个神经网络库，因此，即使你的数据特征或数据类别的数目存在限制，你可以定义模型结构所有的其他方面：网络层数、层的大小、层间连接性质等。（如果这些参数没有意义，Keras是一种很伟大的实验方法）
这样的自由度带来一个缺点，实例化一个最小的分类器也会涉及到比scikit-learn更多的工作需求。
在本例中，我们将构建一个极简的网络。数据本身为我们做了两个决定，我们有4个特征和3个类别，因此输入层必有4个单元，输出层必有3个单元。我们只需要定义隐藏层。本例中，我们只定义一个隐藏层，该层包含16个单元。从GPU的角度考虑，16是一个完整的数！在使用神经网络的过程中，你会发现许多2的指数值被使用。
我们将以最常见的方式定义我们的模型：作为层的顺序堆栈。另一种方式是作为一个计算图，但我们在这里坚持Sequential()。
model = Sequential()接下来的两行定义了输入层的大小（input_shape=(4,)）、隐藏层的大小和激活函数的种类。
model.add(Dense(16, input_shape=(4,)))
model.add(Activation('sigmoid'))下一行定义了输出层的大小和激活函数的种类。
model.add(Dense(3))
model.add(Activation('softmax'))最后，我们指定优化策略和损失函数进行优化。我们还指定了模型工作是的计算准确度。
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=["accuracy"])3、使用神经网络分类器
现在我们定义了模型结构并编译了它，这样我们得到一个对象，其API几乎与scikit-learn中的分类器完全一致。特别的，该对象有.fit()和.predict()方法。现在让我们训练该模型。
神经网络的训练通常涉及到”mini-batching“的概念，指的是神经网络一次只读取训练集的一个子集，训练模型调整权重，随后再读取训练集的下一个子集。神经网络完整的读取整个训练集一次，称之为一个”epoch“。Mini-batch/epoch策略的调整，是神经网络训练中的一个难点。但在本例中，我们设定mini-batch=1，则该策略变成经典的随机梯度下降策略。神经网络每次从训练集读取一个花的样本，并立即调整网络权重。
下一行代码中的参数verbose=0也可以移除。注意，如果你希望实验mini-batch/epoch策略，你需要重新运行前面的代码段，重新编译模型（model.compile）并初始化模型权重。
model.fit(train_X, train_y_ohe, nb_epoch=100, batch_size=1, verbose=0)对于一些基本的方法函数，编译好的Keras模型和scikit-learn分类器之间唯一的语法API差异是，Keras中与scikit-learn.score()方法等效的方法是.evaluate()。
Evaluate()返回损失函数和我们在编译模型是要求的任何其他度量。在本例中，我们要求的是正确率（accuracy），可以与我们从scikit-learn的LogisticRegressionCV分类器的.score()方法中获得的正确率进行比较。
loss, accuracy = model.evaluate(test_X, test_y_ohe, verbose=0)
print("Accuracy = {:.2f}".format(accuracy))可以看到，神经网络模型的测试精度优于简单逻辑回归分类器。
但是也隐藏了神经网络的危险之一：过度拟合。如果有一些过度拟合，可以通过添加dropout（这也是内置于Keras）来处理。
4、下一步应该做什么？
此处我们构建了一个非常简单的前馈神经网络。想要进行更多的实验，可以加载手写数字的MNIST数据库，看看是否能够击败标准的scikit-learn分类器。与Iris数据集不同，这种情况下神经网络的功率和相对复杂性是合理的。参考链接：
https://github.com/wxs/keras-mnist-tutorial/blob/master/MNIST%20in%20Keras.ipynb
Keras还有别的层允许你建立模型：
卷积层，其给出计算机垂直问题的最先进的结果；
循环层，其特别好地适合于语言建模和其他序列数据。
实际上，神经网络的一个关键力量（以及纯粹的预测能力）是它们的可组合型。使用像Keras这样的高级库，创建一个非常不同的网络只需要几秒钟的工作。模型可以像乐高构建一样。
Have fun!
参考文献1：https://zhuanlan.zhihu.com/p/23748037
参考文献2：https://github.com/fchollet/keras-resources
参考文献3：https://github.com/fastforwardlabs/keras-hello-world/blob/master/kerashelloworld.ipynb
参考文献4：http://keras-cn.readthedocs.io/en/latest/