本文会带着大家一起去了解如何安装Keras，这是一个最初构建于Python上的深度学习库，可在TensorFlow或Theano上运行。
在过去的一些文章中，我们了解了神经网络和深度学习的不同基础知识。我们看到了如何在R中使用不同的库创建前馈神经网络、CNN和自编码器。您可以阅读以下链接：
深入深度学习（https://dzone.com/articles/dive-deep-into-deep-learning-using-h2o）
具有mxnetR的前馈神经网络（https://dzone.com/articles/feed-forward-neural-network-with-mxnetr）
使用H2O深度学习的异常检测（https://dzone.com/articles/dive-deep-into-deep-learning-using-h2o-1）
在本文中，我们将开始在Python中使用Keras。本文是作者“动手实现自动机器学习”的一部分。我们将以这篇文章为基础，并通过一系列专注于Python深度学习的文章掌握Keras DL的步骤。
Keras是一个深度学习库，最初建立在Python上，它可以运行在TensorFlow或Theano上。它的开发使DL实现更快。
我们在操作系统的命令提示符中使用以下命令调用Keras安装：
我们首先导入数据操作的numpy和pandas库。 另外，我们设置了一个seed，允许我们重现脚本的结果：
然后加载HR耗损数据集，该数据集有14,999行和10列。salary 和 sales是一种one-hot编码，Keras将使用它来构建DL模型：
以下是上述代码的输出：
数据集然后以70:30的比率分割以训练和测试模型：
接下来，我们开始通过使用三层定义一个顺序模型来创建一个完全连接的神经网络。第一层是输入层。在这一层中，我们使用input_dim参数、神经元数量和激活函数来定义输入要素的数量。我们将input_dim参数设置为20，以获取我们在预处理数据集X_train中的20个输入要素。第一层中的神经元数量被指定为12。目标是预测员工磨损，这是一个二元分类问题。因此，我们在前两层使用整流器激活功能将非线性引入模型并激活神经元。第二层是隐藏层，配置有10个神经元。第三层，即输出层，具有一个具有S形激活功能的神经元。这确保了二进制分类任务的输出介于0和1之间：
一旦我们配置了模型，下一步就是编译模型。在编译过程中，我们指定了丢失函数、优化器和度量。由于我们正在处理两类问题，因此我们将损失函数指定为binary_crossentropy。我们宣布adam作为用于此练习的优化程序。优化算法的选择对模型的优异性能至关重要。adam优化器是随机梯度下降算法的扩展，并且是广泛使用的优化器：
接下来，我们使用拟合方法将模型拟合到训练集。一个纪元用于指定前进和后退的次数。batch_size参数用于声明每个时期使用的训练样例的数量。在我们的例子中，我们用batch_size为10来指定时期数为100：
一旦我们执行了前面的代码片段，执行就开始了，我们可以看到进度，如下图所示。处理一旦达到模型拟合方法中指定的时期数就会停止：
- 最后一步是评估模型。我们在评估指标中较早指定了准确度。在最后一步，我们使用以下代码片段检索模型的准确性：以下结果表明模型精度为93.56％，测试精度为93.20％，这是一个相当不错的结果。我们可能会得到略有不同的结果：
閱讀更多 AI中國 的文章
