Keras:基于Python的深度学习库

停止更新通知

Hi all，十分感谢大家对keras-cn的支持，本文档从我读书的时候开始维护，到现在已经快两年了。这个过程中我通过翻译文档，为同学们debug和答疑学到了很多东西，也很开心能帮到一些同学。

从2017年我工作以后，由于工作比较繁忙，更新频率有所下降。到今年早期的时候这种情况更加严重，加之我了解到，keras官方已经出了中文文档，更觉本份文档似乎应该已经基本完成了其历史使命，该到了退休的时候了。我不清楚官方的中文文档质量如何，想来应该不会太差，也相信负责维护官方文档的同学会比我更有责任心。大家可以移步官方中文文档，以跟踪最新的API变动。

因此如无意外，本文档将停止维护，但如有纠错和更新的PR，我这里也会在github上merge一下。

遗憾嘛，其实没有什么遗憾的，不忘初心，方得始终。本来这份文档就是为了帮助一些入门的同学而设立的，既然有其他的文档可以完成这件事，那我觉得也很好。请大家向前看，继续加油~

闻道有先后，术业有专攻，祝大家早日得道，在自己专攻的方向早日有所作为。

（如有什么想交流的仍然可以通过moyan_work@foxmail.com联系我，同时也可以加我们的Keras群119427073或523412399一起聊天吹水）

打扰了，告辞！

这就是Keras

Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：

  • 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
  • 支持CNN和RNN，或二者的结合
  • 无缝CPU和GPU切换

Keras适用的Python版本是：Python 2.7-3.6

Keras的设计原则是

  • 用户友好：Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践：Keras提供一致而简洁的API， 能够极大减少一般应用下用户的工作量，同时，Keras提供清晰和具有实践意义的bug反馈。
  • 模块性：模型可理解为一个层的序列或数据的运算图，完全可配置的模块可以用最少的代价自由组合在一起。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块，你可以使用它们来构建自己的模型。
  • 易扩展性：添加新模块超级容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
  • 与Python协作：Keras没有单独的模型配置文件类型（作为对比，caffe有），模型由python代码描述，使其更紧凑和更易debug，并提供了扩展的便利性。

关于Keras-cn

本文档是Keras文档的中文版，包括keras.io的全部内容，以及更多的例子、解释和建议

现在，keras-cn的版本号将简单的跟随最新的keras release版本

由于作者水平和研究方向所限，无法对所有模块都非常精通，因此文档中不可避免的会出现各种错误、疏漏和不足之处。如果您在使用过程中有任何意见、建议和疑问，欢迎发送邮件到moyan_work@foxmail.com与我取得联系。

您对文档的任何贡献，包括文档的翻译、查缺补漏、概念解释、发现和修改问题、贡献示例程序等，均会被记录在致谢，十分感谢您对Keras中文文档的贡献！

如果你发现本文档缺失了官方文档的部分内容，请积极联系我补充。

本文档相对于原文档有更多的使用指导和概念澄清，请在使用时关注文档中的Tips，特别的，本文档的额外模块还有：

  • Keras新手指南：我们新提供了“Keras新手指南”的页面，在这里我们对Keras进行了感性介绍，并简单介绍了Keras配置方法、一些小知识与使用陷阱，新手在使用前应该先阅读本部分的文档。
  • Keras资源：在这个页面，我们罗列一些Keras可用的资源，本页面会不定期更新，请注意关注
  • 深度学习与Keras：位于导航栏最下方的该模块翻译了来自Keras作者博客keras.io和其他Keras相关博客的文章，该栏目的文章提供了对深度学习的理解和大量使用Keras的例子，您也可以向这个栏目投稿。所有的文章均在醒目位置标志标明来源与作者，本文档对该栏目文章的原文不具有任何处置权。如您仍觉不妥，请联系本人（moyan_work@foxmail.com）删除。

当前版本与更新

如果你发现本文档提供的信息有误，有两种可能：

  • 你的Keras版本过低：记住Keras是一个发展迅速的深度学习框架，请保持你的Keras与官方最新的release版本相符
  • 我们的中文文档没有及时更新：如果是这种情况，请发邮件给我，我会尽快更新

目前文档的版本号是2.0.9，对应于官方的2.0.9 release 版本, 本次更新的主要内容是：

  • recurrent新增ConvLSTM2D,SimpleRNNCell, LSTMCell, GRUCell, StackedRNNCells, CuDNNGRE, CuDNNLSTM层
  • application中新增了模型InceptionResNetV2
  • datasets新增fasion mnist
  • FAQ新增Keras的多GPU卡运行指南
  • utils新增多卡支持函数multi_gpu_model
  • model.compile和model.fit API更新
  • 由于年久失修，深度学习与Keras栏目中的很多内容的代码已经不再可用，我们决定在新的文档中移除这部分。仍然想访问这些内容（以及已经被移除的一些层，如Maxout）的文档的同学，请下载中文文档的legacy文件夹，并使用文本编辑器（如sublime）打开对应.md文件。
  • 修正了一些错误，感谢@孙永海，@Feng Ying的指正
  • 此外，感谢@zh777k制作了Keras2.0.4中文文档的离线版本，对于许多用户而言，这个版本的keras对大多数用户而言已经足够使用了。下载地址在百度云盘

注意，keras在github上的master往往要高于当前的release版本，如果你从源码编译keras，可能某些模块与文档说明不相符，请以官方Github代码为准

快速开始：30s上手Keras

Keras的核心数据结构是“模型”，模型是一种组织网络层的方式。Keras中主要的模型是Sequential模型，Sequential是一系列网络层按顺序构成的栈。你也可以查看函数式模型来学习建立更复杂的模型

Sequential模型如下

  1. from keras.models import Sequential
  3. model = Sequential()

将一些网络层通过.add()堆叠起来，就构成了一个模型：

  1. from keras.layers import Dense, Activation
  3. model.add(Dense(units=64, input_dim=100))
  4. model.add(Activation("relu"))
  5. model.add(Dense(units=10))
  6. model.add(Activation("softmax"))

完成模型的搭建后，我们需要使用.compile()方法来编译模型：

  1. model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

编译模型时必须指明损失函数和优化器，如果你需要的话，也可以自己定制损失函数。Keras的一个核心理念就是简明易用，同时保证用户对Keras的绝对控制力度，用户可以根据自己的需要定制自己的模型、网络层，甚至修改源代码。

  1. from keras.optimizers import SGD
  2. model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

完成模型编译后，我们在训练数据上按batch进行一定次数的迭代来训练网络

  1. model.fit(x_train, y_train, epochs=5, batch_size=32)

当然，我们也可以手动将一个个batch的数据送入网络中训练，这时候需要使用：

  1. model.train_on_batch(x_batch, y_batch)

随后，我们可以使用一行代码对我们的模型进行评估，看看模型的指标是否满足我们的要求：

  1. loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者，我们可以使用我们的模型，对新的数据进行预测：

  1. classes = model.predict(x_test, batch_size=128)

搭建一个问答系统、图像分类模型，或神经图灵机、word2vec词嵌入器就是这么快。支撑深度学习的基本想法本就是简单的，现在让我们把它的实现也变的简单起来！

为了更深入的了解Keras，我们建议你查看一下下面的两个tutorial

还有我们的新手教程，虽然是面向新手的，但我们阅读它们总是有益的：

在Keras代码包的examples文件夹里，我们提供了一些更高级的模型：基于记忆网络的问答系统、基于LSTM的文本的文本生成等。

安装

Keras使用了下面的依赖包，三种后端必须至少选择一种，我们建议选择tensorflow。

  • numpy，scipy
  • pyyaml
  • HDF5, h5py（可选，仅在模型的save/load函数中使用）
  • 如果使用CNN的推荐安装cuDNN

当使用TensorFlow为后端时：

当使用Theano作为后端时：

当使用CNTK作为后端时：

“后端”翻译自backend，指的是Keras依赖于完成底层的张量运算的软件包。

从源码安装Keras时，首先git clone keras的代码：

  1. git clone https://github.com/fchollet/keras.git

接着 cd 到Keras的文件夹中，并运行下面的安装命令：

  1. sudo python setup.py install

你也可以使用PyPI来安装Keras

  1. sudo pip install keras

如果你用的是virtualenv虚拟环境，不要用sudo就好。

详细的Windows和Linux安装教程请参考“Keras新手指南”中给出的安装教程，特别鸣谢SCP-173编写了这些教程

在Theano、CNTK、TensorFlow间切换

Keras默认使用TensorFlow作为后端来进行张量操作，如需切换到Theano，请查看这里

技术支持

你可以在下列网址提问或加入Keras开发讨论:

你也可以在Github issues里提问或请求新特性。在提问之前请确保你阅读过我们的指导

另外，对于习惯中文的用户，我们推荐在“集智”平台提问，该平台由Kaiser等搭建，支持在线代码运行环境，我本人会经常访问该网站解答问题

最后，我们也欢迎同学们加我们的QQ群119427073进行讨论（潜水和灌水会被T，入群说明公司/学校-职位/年级）

小额赞助

如果你觉得本文档对你的研究和使用有所帮助，欢迎扫下面的二维码对作者进行小额赞助，以鼓励作者进一步完善文档内容，提高文档质量。同时，不妨为本文档的github加颗星哦

付款二维码