windows10 +anaconda+gtx 1050ti+keras 2.2.4+tensorflow1.8
首先，安装keras ，打开anaconda prompt,进入界面，pip3 install keras ，就可以
然后检查一下你的keras 的backend是什么，打开python，import keras，输出Using TensorFlow（Theano) backno.由于我的backno直接就是tensorflow，本身电脑输出就是tensorflow，倘若你这里的backno和你所想要的backno是不匹配的，那么，请修改他，教程另找，不做赘述。
学习keras中文文档
由于中文文档中，keras的版本是2.0.9,期间如果遇到有不同的地方，我会注明
第一天是keras 的介绍部分
keras是由纯python编写的，并基于tensorflow，Theano以及CNTK，这里是基于tensorflow的。
相比于纯tensorflow时复杂的代码，keras以其简便的操作性，虽然是以效率性作为牺牲。其简便性主要是建立在keras的模块性。其模块主要有，layers，损失函数，优化器，激活函数，初始化策略和正则化
目前，据我所目前学习情况，keras搭建神经网络主要的套路和tensorflow时差不多
数据>搭建模型>编译模型（model.compile(loss,optimiser,metric))>训练（model.fit(x_train,y_train,epoch,batch_size)>测试（model.evelute(x_test,y_test))得到loss和accuracy
我认为，keras学习其主要学习
搭建模型，需要对 神经网络的了解，比如在什么时候选择什么样的layer，以及选择什么样的模式，Sequential还是函数形模式。
模型编译，选择什么样的损失函数和优化器
训练，迭代次数和，epoch，训练数据将被伦多少次，batch一次输入多少数据，
（一家之言）
注意到这边的keras.json的内容是
{ "floatx": "float32",
"epsilon": 1e-07,
"backend": "tensorflow",
"image_data_format": "channels_last" }
表示image_data_format是channels_last，那么表示100张3通道的28*32的彩色图片，表示为（100，28，32，3），28宽。
下面是我用keras搭建的神经网络，数据库是mnist，两层卷积，两层池化，两层全连接，手写数字识别，其正确率是loss: 0.3263 - acc: 0.9189
import numpy as np
np.random.seed(1337)
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense,Activation,Convolution2D,MaxPooling2D,Flatten
from keras.optimizers import Adam
#mnist数据的导入
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()
#将数据进行一定量的调整
X_train=X_train.reshape(-1,1,28,28)
X_test = X_test.reshape(-1,1,28,28)
#构建热图
Y_train = np_utils.to_categorical(Y_train,num_classes=10)
Y_test = np_utils.to_categorical(Y_test,num_classes=10)
#搭建模型
model = Sequential([
Convolution2D(nb_filter=32,nb_row=5,nb_col=5,border_mode='same',input_shape=(1,28,28)),
Activation('relu'),
MaxPooling2D(pool_size=(2,2),strides=1,border_mode='same'),
Convolution2D(64,5,5,border_mode='same'),
Activation('relu'),
MaxPooling2D((2,2),border_mode ='same'),
Flatten(),
Dense(1024),
Activation("relu"),
Dense(10),
Activation("softmax")
])
#编译模型
adam = Adam(lr=1e-4)
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])
print("Training-----------------------")
#训练
model.fit(X_train,Y_train,nb_epoch=1,batch_size=32)
print("Testing------------------------")
#测试
loss,accuracy=model.evaluate(X_test,Y_test)
print("loss:",loss)
print("accuracy: ",accuracy)