Keras是Python中以CNTK、Tensorflow或者Theano為計算後臺的一個深度學習建模環境。相對於其他深度學習的框架，如Tensorflow、Theano、Caffe等，Keras在實際應用中有一些顯著的優點，其中最主要的優點就是Keras已經高度模塊化了，支持現有的常見模型（CNN、RNN等），更重要的是建模過程相當方便快速，加快了開發速度。
筆者使用的是基於Tensorflow為計算後臺。接下來將介紹一些建模過程的常用層、搭建模型和訓練過程，而Keras中的文字、序列和圖像數據預處理，我們將在相應的實踐項目中進行講解。 各層函數只介紹一些比較常用參數，詳細參數介紹可查閱Keras文檔 。
1 核心層
（1）全連接層：神經網絡中最常用到的，實現對神經網絡裡的神經元激活。
Dense（units, activation=’relu’, use_bias=True）
參數說明：
units: 全連接層輸出的維度，即下一層神經元的個數activation：激活函數，默認使用Reluuse_bias：是否使用bias偏置項（2）激活層：對上一層的輸出應用激活函數。
Activation(activation)
參數說明：
Activation：想要使用的激活函數，如：relu、tanh、sigmoid等（3） Dropout層：對上一層的神經元隨機選取一定比例的失活，不更新，但是權重仍然保留， 防止過擬合。
Dropout(rate)
參數說明：
rate：失活的比例，0-1的浮點數。（4）Flatten層：將一個維度大於或等於3的高維矩陣，“壓扁”為一個二維矩陣。即保留第一個維度（如：batch的個數），然後將剩下維度的值相乘為“壓扁”矩陣的第二個維度。
Flatten()
（5）Reshape層：該層的作用和numpy.reshape一樣，就是將輸入的維度重構成特定的shape。
Reshape(target_shape)
參數說明：
target_shape：目標矩陣的維度，不包含batch樣本數。如我們想要一個9個元素的輸入向量重構成一個( None, 3, 3) 的二維矩陣：Reshape((3,3), input_length=(16, ))（6）卷積層：卷積操作分為一維、二維、三維，分別為Conv1D、Conv2D、Conv3D。一維卷積主要應用於以時間序列數據或文本 數據，二維卷積通常應用於圖像數據。由於這三種的使用和參數都基本相同，所以主要以處理圖像數據的Conv2D進行說明。
Conv2D(filters, kernel_size, strides=(1, 1), padding='valid')
參數說明：
filters：卷積核的個數。kernel_size：卷積核的大小。strdes：步長，二維中默認為(1, 1)，一維默認為1。Padding：補“0”策略，'valid'指卷積後的大小與原來的大小可以不同，'same'則卷積後大小與原來大小 一 致。（7）池化層：與卷積層一樣，最大統計量池化和平均統計量池也有三種，分別為MaxPooling1D、MaxPooling2D、MaxPooling3D、AveragePooling1D、AveragePooling2D、AveragePooli ng3D，
由於使用和參數基本相同，所以主要以MaxPooling2D進行說明。
MaxPooling(pool_size=(2,2), strides=None, padding=’valid’)
參數說明：
pool_size：長度為2的整數tuple，表示在橫向和縱向的下采樣樣子，一維則為縱向的下采樣因子padding：和卷積層的padding一樣。（8） 循環層：循環神經網絡中的RNN、LSTM和GRU都繼承本層，所以該父類的參數同樣使用於對應的子類SimpleRNN、LSTM和GRU。
Recurrent(return_sequences=False)
參數說明：
return_sequences：控制返回的類型，“False”返回輸出序列的最後一個輸出，“True”則返回整個序列。當我們要搭建多層神經網絡（如深層LSTM時，若不是最後一層，則需要將該參數設為True。（9） 嵌入層：該層只能用在模型的第一層，是將所有索引標號的稀疏矩陣映射到緻密的低維矩陣。如我們對文本數據進行處理時，我們對每個詞編號後，我們希望將詞編號變成詞向量就可以使 用嵌入層。
Embedding(input_dim, output_dim, input_length)
參數說明：
Input_dim：大於或等於0的整數，字典的長度即輸入數據的個數。output_dim：輸出的維度，如詞向量的維度。input_length：當輸入序列的長度為固定時為該長度，然後要在該層後加上Flatten層，然後再加上Dense層，則必須指定該參數，否則Dense層無法自動推斷輸出的維度。該層可能有點費解，舉個例子，當我們有一個文 本，該文本有100句話，我們已經通過一系列操作，使得文本變成一個(100,32)矩陣，每行代表一句話，每個元素代表一個詞，我們希望將該詞變為64維的詞向量。
Embedding(100, 64, input_length=32) 則輸出的矩陣的shape變為(100, 32, 64)：即每個詞已經變成一個64維的詞向量。
2 模型搭建
講完了一些常用層的語法後，接下來我們通過模型搭建來說明Keras的方便性。Keras中設定了兩類深度學習的模型，一類是序列模型（Sequential類）；另一類是通用模型（Model 類）。下面我們通過搭建下圖模型進行講解。
圖1 兩層神經網絡
假設我們有一個兩層神經網絡，其中輸入層為784個神經元，隱藏層為32個神經元，輸出層為10個神經元，其中隱藏層使用ReLU激活函數，輸出層使用Softmax激活函數。分別使用序列模型和通用模型實現如下：
圖 2：導入相關庫
圖 3：序列模型實現
使用序列模型，首先我們要實例化Sequential類，之後就是使用該類的add函數加入我們想要的每一層，從而實現我們的模型。
圖 4：通用模型實現
使用通用模型，首先要使用Input函數將輸入轉化為一個tensor，然後將每一層用變量存儲後，作為下一層的參數，最後使用Model類將輸入和輸出作為參數即可搭建模型。
從以上兩類模型的簡單搭建，都可以發現Keras在搭建模型比起Tensorflow等簡單太多了，如Tensorflow需要定義每一層的權重矩陣，輸入用佔位符等，這些在Keras中都不需要，我們只要在第一層定義輸入維度，其他層定義輸出維度就可以搭建起模型，通俗易懂，方便高效，這是Keras的一個顯著的優勢。
3 模型優化和訓練
（1）
compile(optimizer, loss, metrics=None)
參數說明：
optimizer：優化器，如：’SGD‘，’Adam‘等
loss：定義模型的損失函數，如：’mse’，’mae‘等
metric：模型的評價指標，如：’accuracy‘等
（2）fit(x=None,y=None,batch_size=None,epochs=1,verbose=1,validation_split=0.0)
參數說明：
x：輸入數據。
y：標籤。
batch_size：梯度下降時每個batch包含的樣本數。
epochs：整數，所有樣本的訓練次數。
verbose：日誌顯示，0為不顯示，1為顯示進度條記錄，2為每個epochs輸出一行記錄。validation_split：0-1的浮點數，切割輸入數據的一定比例作為驗證集。
圖 5：優化和訓練實現
最後用以下圖片總結keras的模塊，下一篇文章我們將會使用keras來進行項目實踐，從而更好的體會Keras的魅力。
對深度學習感興趣，熱愛Tensorflow的小夥伴，歡迎關注我們的網站http://www.panchuang.net 我們的公眾號：磐創AI。
閱讀更多 人工智能遇見磐創 的文章
