Keras教程

Keras是一个开源的高级神经网络库，它是用Python编写的，能够在Theano、TensorFlow或CNTK上运行。它是由谷歌的一位工程师弗朗索瓦·夏勒特开发的。它是用户友好的，可扩展的，模块化的，以促进更快的实验与深度神经网络。它不仅单独支持卷积网络和循环网络，而且还支持它们的组合。

它不能处理低级的计算，因此它使用后端库来解决它。后端库充当低级API的高级API包装器，允许它在TensorFlow、CNTK或Theano上运行。

最初，它在发布时有超过4800名贡献者，现在已经增加到25万名开发者。从那以后，它每年都以2倍的速度增长。像微软、谷歌、NVIDIA和亚马逊这样的大公司都积极地为Keras的开发做出了贡献。它有一个惊人的行业互动，它被用于流行公司的发展，如Netflix, Uber，谷歌，Expedia等。

是什么让Keras如此特别?

• 对用户体验的关注一直是Keras的重要组成部分。
• 行业内的广泛采用。
• 它是一个多后端，支持多平台，这有助于所有编码器一起编码。
• Keras的研究社区与生产社区的合作令人惊叹。
• 容易掌握所有概念。
• 它支持快速原型。
• 它可以无缝地在CPU和GPU上运行。
• 它提供了设计任何体系结构的自由，然后将其用作项目的API。
• 这是非常简单的开始。
• 简单的模型制作实际上使Keras变得特别。

Keras用户体验

1. Keras是为人类设计的API
   Keras遵循最佳实践，以减少认知负荷，确保模型一致，并且相应的api简单。
2. 不是为机器设计的
   对于大多数常见用例，Keras在任何错误发生时都提供了明确的反馈，从而减少了用户操作的数量。
3. 易于学习和使用。
4. 高度灵活的
   通过集成诸如TensorFlow或Theano等底层深度学习语言，Keras为所有开发人员提供了高度的灵活性，这确保了用基础语言编写的任何东西都可以在Keras中实现。

Keras是如何支持多后端、多平台的?

Keras可以用R开发，也可以用Python开发，这样代码就可以根据需求使用TensorFlow、Theano、CNTK或MXNet运行。Keras可以在CPU, NVIDIA GPU, AMD GPU, TPU等上运行。它确保使用Keras生产模型是非常简单的，因为它完全支持运行TensorFlow服务，GPU加速(WebKeras, Keras.js)， Android (TF, TF Lite)， iOS (Native CoreML)和树莓派。

Keras后端

作为一个模型级库，Keras通过提供高级构建块来帮助开发深度学习模型。所有的底层计算，如张量的乘积、卷积等，都不是由Keras自己处理的，而是依赖于一个专门的张量操作库，该库经过了很好的优化，可以作为后端引擎。Keras很好地处理了这个问题，而不是合并一个单一的张量库并执行与该张量库相关的操作，而是将不同的后端引擎插入Keras。

Keras由三个后端引擎组成，分别是:

• TensorFlow
  TensorFlow是谷歌产品，是机器学习和深度神经网络研究领域最著名的深度学习工具之一。它是9号上市的^th2015年11月Apache License 2.0。它的构建方式使得它可以轻松地在多个cpu和gpu以及移动操作系统上运行。它由不同语言(如Java、c++或Python)中的各种包装器组成。
  
• Theano
  Theano是由MILA小组在加拿大魁北克的蒙特利尔大学开发的。它是一个开源的python库，通过合并scipy和numpy被广泛用于在多维数组上执行数学运算。它利用gpu进行更快的计算，并通过自动构建符号图有效地计算梯度。它非常适用于不稳定表达式，因为它首先用数值方法观察它们，然后用更稳定的算法计算它们。
  
• CNTK
  Microsoft Cognitive Toolkit是深度学习的开源框架。它包含了构成神经网络所需的所有基本构建模块。模型是用c++或Python训练的，但它合并了c#或Java来加载模型进行预测。
  

Keras的优点

Keras包含以下优点:

• 它非常容易理解，并且可以合并更快的网络模型部署。
• 它在市场上拥有巨大的社区支持，因为大多数人工智能公司都热衷于使用它。
• 它支持多后端，这意味着您可以根据您的需求在TensorFlow、CNTK和Theano中使用任意一种，Keras作为后端。
• 由于它易于部署，所以它还支持跨平台。以下是可以部署Keras的设备:
  1. iOS和CoreML
  2. Android与TensorFlow Android
  3. 支持.js的Web浏览器
  4. 云引擎
  5. 覆盆子π
• 它支持数据并行，这意味着Keras可以在一个实例上在多个GPU上进行训练，从而加快训练时间，处理大量数据。

缺点Keras

• 唯一的缺点是Keras有自己的预配置层，如果您想创建抽象层，它不会允许您这样做，因为它无法处理低级api。它只支持在后端引擎(TensorFlow、Theano和CNTK)之上运行的高级API。

先决条件

本Keras教程针对初学者和专业人士，帮助他们理解Keras的基本概念。在完成本教程之后，您将发现自己处于一个中等水平的专业知识，从那里您可以将自己带到下一个级别。

观众

由于Keras是一个深度学习的高级库，因此您需要拥有实际操作的Python语言以及神经网络的基本知识。

问题

我们向您保证，在本教程中您不会发现任何困难。如果您有疑问，或者在本教程中发现了任何错误，请通过在联系表单中发帖让我们知道，以便我们进一步改进。