Keras 教程

Keras 是一个开源的高级神经网络库，用 Python 编写，能够在 Theano、TensorFlow 或 CNTK 上运行。 它由 Google 工程师 Francois Chollet 开发。 它具有用户友好、可扩展和模块化的特点，可以更快地进行深度神经网络实验。 它不仅单独支持卷积网络和循环网络，还支持它们的组合。

它无法处理低级计算，因此它使用 **Backend** 库来解决这个问题。 后端库充当低级 API 的高级 API 包装器，使其可以在 TensorFlow、CNTK 或 Theano 上运行。

最初，它在发布时有超过 4800 名贡献者，现在已增加到 250,000 名开发人员。 自成立以来，每年都有 2 倍的增长。 微软、谷歌、NVIDIA 和亚马逊等大公司都为 Keras 的开发做出了积极贡献。 它具有令人惊叹的行业互动，并被用于开发 Netflix、Uber、Google、Expedia 等流行公司。

是什么让 Keras 与众不同？

• 关注用户体验一直是 Keras 的重要组成部分。
• 在行业中被广泛采用。
• 它是一个多后端并支持多平台，这有助于所有编码器聚集在一起进行编码。
• Keras 的研究社区与生产社区合作得非常出色。
• 易于掌握所有概念。
• 它支持快速原型设计。
• 它可以无缝地在 CPU 以及 GPU 上运行。
• 它提供了设计任何架构的自由，然后稍后将其用作项目的 API。
• 入门非常简单。
• 轻松生产模型实际上使 Keras 变得特别。

Keras 用户体验

1. Keras 是为人设计的 API
   Keras 遵循最佳实践来减少认知负荷，确保模型的一致性，并简化相应的 API。
2. 不是为机器设计的
   Keras 在发生任何错误时提供清晰的反馈，从而最大限度地减少了大多数常见用例的用户操作数量。
3. 易于学习和使用。
4. 高度灵活
   Keras 通过集成低级深度学习语言（例如 TensorFlow 或 Theano）为所有开发人员提供高度的灵活性，这确保了以基础语言编写的任何内容都可以在 Keras 中实现。

Keras 如何支持多后端和多平台的说法？

Keras 可以在 R 以及 Python 中开发，这样代码可以根据需要使用 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 生成模型非常简单，因为它完全支持与 TensorFlow 服务、GPU 加速（WebKeras、Keras.js）、Android (TF、TF Lite)、iOS (Native CoreML) 和 Raspberry Pi 一起运行。

Keras 后端

Keras 作为一个模型级库，通过提供高级构建块来帮助开发深度学习模型。 所有低级计算，例如张量乘积、卷积等，都不是由 Keras 本身处理的，而是依赖于专门的张量操作库，该库经过良好优化，可以用作后端引擎。 Keras 对此进行了完美的管理，它没有合并一个单一的张量库并执行与该特定库相关的操作，而是提供了将不同的后端引擎插入 Keras 的功能。

Keras 包含三个后端引擎，如下所示

• TensorFlow
  TensorFlow 是 Google 的产品，它是最著名的深度学习工具之一，广泛用于机器学习和深度神经网络的研究领域。 它于 2015 年 11 月 9 日在 Apache License 2.0 下进入市场。它的构建方式使其可以轻松地在多个 CPU 和 GPU 以及移动操作系统上运行。 它包含各种不同语言的包装器，例如 Java、C++ 或 Python。
  
• Theano
  Theano 由蒙特利尔大学、加拿大魁北克的 MILA 集团开发。 它是一个开源的 Python 库，通过整合 scipy 和 numpy，广泛用于对多维数组执行数学运算。 它利用 GPU 进行更快的计算，并通过自动构建符号图来有效地计算梯度。 事实证明，它非常适合不稳定的表达式，因为它首先在数值上观察它们，然后使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。 它包含形成神经网络所需的所有基本构建块。 这些模型使用 C++ 或 Python 进行训练，但它包含 C# 或 Java 来加载模型以进行预测。
  

Keras 的优势

Keras 包含以下优点，如下所示

• 它非常容易理解和整合网络模型的更快部署。
• 它在市场中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要求，将 TensorFlow、CNTK 和 Theano 中的任何一个与 Keras 作为后端一起使用。
• 由于它具有易于部署的特点，因此它还支持跨平台。 以下是 Keras 可以部署的设备
  1. 带有 CoreML 的 iOS
  2. 带有 TensorFlow Android 的 Android
  3. 带有 .js 支持的 Web 浏览器
  4. 云引擎
  5. 树莓派
• 它支持数据并行性，这意味着 Keras 可以同时在多个 GPU 上进行训练，从而加快训练时间并处理大量数据。

Keras 的缺点

• 唯一的缺点是 Keras 具有自己的预配置层，如果您想创建抽象层，它不会让您创建，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。

前提条件

本 Keras 教程专为初学者和专业人士设计，旨在帮助他们理解 Keras 的基本概念。 完成本教程后，您将发现自己处于中等专业水平，您可以从中提升到下一个水平。

目标受众

由于 Keras 是深度学习的高级库，因此您需要具备 Python 语言的实践经验以及神经网络的基本知识。

问题

我们向您保证，您在本教程中不会遇到任何困难。 如果您有任何疑问，或者您在本教程中发现任何错误，请通过在联系表中发布来告知我们，以便我们可以进一步改进它。