徐海蛟教學
Keras是基于Theano的一個深度學習框架，它的設計參考了Torch，用Python語言編寫，是一個高度模塊化的神經網絡庫，支持GPU和CPU。使用文檔在這：http://keras.io/，中文文檔在這：http://keras-cn.readthedocs.io/en/latest/，這個框架是2015年流行起來的，使用中遇到的困惑或者問題可以提交到github：https://github.com/fchollet/keras。
Keras主要包括14個模塊包，可參見文檔https://keras.io/layers/，下面主要對Models、Layers、Initializations、Activations、Objectives、Optimizers、Preprocessing、metrics八個模塊包展開介紹。
1. Models包：keras.models
這是Keras中最主要的一個模塊，用于對各個組件進行組裝。
詳細說明：http://keras.io/models/
from keras.models import Sequential
model = Sequential() # 初始化模型
model.add(...) # 可使用add方法組裝組件
2. Layers包：keras.layers
該模塊主要用于生成神經網絡層，包含多種類型，如Core layers、Convolutionallayers、recurrent layers、advanced_activations layers、normalizationlayers、embeddings layers等。
其中Corelayers里面包含了flatten（CNN的全連接層之前需要把二維特征圖flatten成為一維的）、reshape（CNN輸入時將一維的向量弄成二維的）、dense（隱藏層）。
Convolutionallayers層包含Theano的Convolution2D的封裝等。
詳細說明：http://keras.io/layers/
from keras.layers import Dense #Dense表示BP層
model.add(Dense(input_dim=3,output_dim=5)) # 加入隱含層
3. Initializations包：keras.initializations
該模塊主要負責對模型參數（權重）進行初始化，初始化方法包括：uniform、lecun_uniform、normal、orthogonal、zero、glorot_normal、he_normal等。
詳細說明：http://keras.io/initializations/
model.add(Dense(input_dim=3,output_dim=5,init='uniform'))#加入帶初始化（uniform）的隱含層
4.Activations包：keras.activations、keras.layers.advanced_activations（新激活函數）
該模塊主要負責為神經層附加激活函數，如linear、sigmoid、hard_sigmoid、tanh、softplus、softmax、relu以及LeakyReLU、PReLU等比較新的激活函數。
詳細說明：http://keras.io/activations/
model.add(Dense(input_dim=3, output_dim=5,activation='sigmoid')) #加入帶激活函數（sigmoid）的隱含層
等價于：
model.add(Dense(input_dim=3, output_dim=5))
model.add(Activation('sigmoid'))
5. Objectives包：keras.objectives
該模塊主要負責為神經網絡附加損失函數，即目標函數。如mean_squared_error，mean_absolute_error，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy等，其中binary_crossentropy，categorical_crossentropy是指logloss。
注：目標函數的設定是在模型編譯階段。
詳細說明：http://keras.io/objectives/
model.compile(loss='binary_crossentropy', optimizer='sgd')#loss是指目標函數
6. Optimizers包：keras.optimizers
該模塊主要負責設定神經網絡的優(yōu)化方法，如最基本的隨機梯度下降SGD,另外還有Adagrad、Adadelta、RMSprop、Adam，一些新的方法以后也會被不斷添加進來。
詳細說明：http://keras.io/optimizers/
keras.optimizers.SGD(lr=0.01, momentum=0.9, decay=0.9,nesterov=False)
上面的代碼是SGD的使用方法，lr表示學習速率,momentum表示動量項，decay是學習速率的衰減系數(每個epoch衰減一次),Nesterov的值是False或者True，表示使不使用Nesterovmomentum。
model = Sequential()
model.add(Dense(64, init='uniform',input_dim=10))
model.add(Activation('tanh'))
model.add(Activation('softmax'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9,nesterov=True)
model.compile(loss='mean_squared_error', optimizer=sgd) #指優(yōu)化方法sgd
model.compile(loss='binary_crossentropy',optimizer='sgd')
7. Preprocessing包：keras.preprocessing
數據預處理模塊，包括序列數據的處理、文本數據的處理和圖像數據的處理等。對于圖像數據的處理，keras提供了ImageDataGenerator函數,實現(xiàn)數據集擴增，對圖像做一些彈性變換，比如水平翻轉，垂直翻轉，旋轉等。
8. metrics包：keras.metrics
與sklearn中metrics包基本相同，主要包含一些如binary_accuracy、mae、mse等的評價方法。
predict = model.predict_classes(test_x) #輸出預測結果
keras.metrics.binary_accuracy(test_y, predict) #計算預測精度
