# Python 深度学习库 Keras 简介 > 原文： [https://machinelearningmastery.com/introduction-python-deep-learning-library-keras/](https://machinelearningmastery.com/introduction-python-deep-learning-library-keras/) Python 中两个为深度学习研究和开发提供基础的顶级数字平台是 Theano 和 TensorFlow。 两者都是非常强大的库，但两者都难以直接用于创建深度学习模型。 在这篇文章中，您将发现 Keras Python 库，它提供了一种在 Theano 或 TensorFlow 上创建一系列深度学习模型的简便的方法。 让我们开始吧。 **2016 年 10 月更新**：更新了 Keras 1.1.0，Theano 0.8.2 和 TensorFlow 0.10.0 的示例。  Python 深度学习库 Keras 简介 照片由 [Dennis Jarvis](https://www.flickr.com/photos/archer10/2216602404/) 拍摄，保留一些权利。 ## 什么是 Keras？ Keras 是一个用于深度学习的极简主义 Python 库，可以在 Theano 或 TensorFlow 之上运行。 它的开发旨在使深度学习模型的研究和开发尽可能快速简便地实施。 它运行在 Python 2.7 或 3.5 上，并且可以在给定底层框架的情况下在 GPU 和 CPU 上无缝执行。它是在许可的 MIT 许可下发布的。 Keras 由[FrançoisChollet](https://www.linkedin.com/in/fchollet)开发和维护，他是一位 Google 工程师，使用四个指导原则： * **模块性**：模型可以理解为单独的序列或图形。深度学习模型的所有关注点都是可以以任意方式组合的离散组件。 * **极简主义**：该库提供了足够的结果，没有多余的装饰和最大化的可读性。 * **可扩展性**：新组件有意在框架内轻松添加和使用，供研究人员试用和探索新想法。 * **Python** ：没有自定义文件格式的单独模型文件。一切都是原生 Python。 ## 如何安装 Keras 如果您已经拥有可用的 Python 和 SciPy 环境，那么 Keras 的安装将相对简单。 您还必须在系统上安装 Theano 或 TensorFlow。 您可以在此处查看两个平台的安装说明： * [Theano 的安装说明](http://deeplearning.net/software/theano/install.html#install) * [TensorFlow](https://github.com/tensorflow/tensorflow#download-and-setup) 的安装说明 使用 [PyPI](https://pypi.python.org/pypi) 可以轻松安装 Keras，如下所示： ```py sudo pip install keras ``` 在撰写本文时，Keras 的最新版本是 1.1.0 版。您可以使用以下代码段在命令行上检查您的 Keras 版本： 您可以使用以下代码段在命令行上检查您的 Keras 版本： ```py python -c "import keras; print keras.__version__" ``` 运行上面的脚本你会看到： ```py 1.1.0 ``` 您可以使用相同的方法升级 Keras ： ```py sudo pip install --upgrade keras ``` ## 针对 Keras 的 Theano 和 TensorFlow 后端 假设您同时安装了 Theano 和 TensorFlow，则可以配置 Keras 使用的[后端](http://keras.io/backend/)。 最简单的方法是在主目录中添加或编辑 Keras 配置文件： ```py ~/.keras/keras.json ``` 其格式如下： ```py { "image_dim_ordering": "tf", "epsilon": 1e-07, "floatx": "float32", "backend": "tensorflow" } ``` 在此配置文件中，您可以将“_ 后端 _”属性从“ _tensorflow_ ”（默认值）更改为“ _theano_ ”。然后 Keras 将在下次运行时使用该配置。 您可以在命令行上使用以下代码段确认 Keras 使用的后端： ```py python -c "from keras import backend; print backend._BACKEND" ``` 使用默认配置运行此选项，您将看到： ```py Using TensorFlow backend. tensorflow ``` 您还可以在命令行上通过指定 KERAS_BACKEND 环境变量来指定 Keras 使用的后端，如下所示： ```py KERAS_BACKEND=theano python -c "from keras import backend; print(backend._BACKEND)" ``` 运行此示例打印： ```py Using Theano backend. theano ``` ## 使用 Keras 构建深度学习模型 Keras 的核心是模型(`model`)的概念。 主要类型的模型称为序列(`Sequential`)模型，它由多个网络层(`layer`)线性堆叠。 您可以按照希望执行计算的顺序来创建序列并向其添加层。 一旦定义完成，您就可以配置模型，该模型将利用底层基础框架来优化计算。在此，您可以指定损失函数和所要使用的优化器。 模型配置完成后，必须使用适合数据来训练模型。可以一次完成一批数据，也可以通过启动整个模型训练方案来完成。这是所有计算发生的地方。 完成训练后，您可以使用模型对新数据进行预测。 我们可以总结一下 Keras 深度学习模型的构建过程如下： 1. **定义模型**。创建序列并添加层。 2. **配置模型**。指定损失函数和优化器。 3. **训练模型**。使用数据训练模型。 4. **模型预测**。使用该模型生成对新数据的预测。 ## Keras 资源 下面的列表提供了一些其他资源，您可以通过它们来了解有关 Keras 的更多信息。 * [Keras 官方主页](http://keras.io/)（文档） * [GitHub 上的 Keras 项目](https://github.com/fchollet/keras) * [Keras 用户组](https://groups.google.com/forum/#!forum/keras-users) 您是否正在寻找一个良好的深度学习教程来开启学习之旅，请看看： * [用 Keras 逐步开发 Python 中的第一个神经网络](http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/) ## 摘要 在这篇文章中，您了解了用于深度学习研究和开发的 Keras Python 库。 知晓 Keras 专为极简主义和模块化而设计，允许您快速定义深度学习模型并以 Theano 或 TensorFlow 作为后端运行它们。 你对 Keras 或这篇文章有任何疑问吗？请在评论中提出您的问题，我会尽力回答。