Keras: 基于 Python 的深度學(xué)習(xí)庫

你恰好發(fā)現(xiàn)了 Keras。

Keras 是一個(gè)用 Python 編寫的高級神經(jīng)網(wǎng)絡(luò) API，它能夠以 TensorFlow, CNTK, 或者 Theano 作為后端運(yùn)行。Keras 的開發(fā)重點(diǎn)是支持快速的實(shí)驗(yàn)。能夠以最小的時(shí)延把你的想法轉(zhuǎn)換為實(shí)驗(yàn)結(jié)果，是做好研究的關(guān)鍵。

如果你在以下情況下需要深度學(xué)習(xí)庫，請使用 Keras：

允許簡單而快速的原型設(shè)計(jì)（由于用戶友好，高度模塊化，可擴(kuò)展性）。

同時(shí)支持卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，以及兩者的組合。

在 CPU 和 GPU 上無縫運(yùn)行。

查看文檔，請?jiān)L問 Keras.io。

Keras 兼容的 Python 版本: Python 2.7-3.6。

指導(dǎo)原則

用戶友好。 Keras 是為人類而不是為機(jī)器設(shè)計(jì)的 API。它把用戶體驗(yàn)放在首要和中心位置。Keras 遵循減少認(rèn)知困難的最佳實(shí)踐：它提供一致且簡單的 API，將常見用例所需的用戶操作數(shù)量降至最低，并且在用戶錯(cuò)誤時(shí)提供清晰和可操作的反饋。

模塊化。 模型被理解為由獨(dú)立的、完全可配置的模塊構(gòu)成的序列或圖。這些模塊可以以盡可能少的限制組裝在一起。特別是神經(jīng)網(wǎng)絡(luò)層、損失函數(shù)、優(yōu)化器、初始化方法、激活函數(shù)、正則化方法，它們都是可以結(jié)合起來構(gòu)建新模型的模塊。

易擴(kuò)展性。 新的模塊是很容易添加的（作為新的類和函數(shù)），現(xiàn)有的模塊已經(jīng)提供了充足的示例。由于能夠輕松地創(chuàng)建可以提高表現(xiàn)力的新模塊，Keras 更加適合高級研究。

基于 Python 實(shí)現(xiàn)。 Keras 沒有特定格式的單獨(dú)配置文件。模型定義在 Python 代碼中，這些代碼緊湊，易于調(diào)試，并且易于擴(kuò)展。

快速開始：30 秒上手 Keras

Keras 的核心數(shù)據(jù)結(jié)構(gòu)是 model，一種組織網(wǎng)絡(luò)層的方式。最簡單的模型是 Sequential 順序模型，它由多個(gè)網(wǎng)絡(luò)層線性堆疊。對于更復(fù)雜的結(jié)構(gòu)，你應(yīng)該使用 Keras 函數(shù)式 API，它允許構(gòu)建任意的神經(jīng)網(wǎng)絡(luò)圖。

Sequential 模型如下所示：

from keras.models import Sequential

model = Sequential()

可以簡單地使用 .add() 來堆疊模型：

from keras.layers import Dense

model.add(Dense(units=64, activation='relu', input_dim=100))

model.add(Dense(units=10, activation='softmax'))

在完成了模型的構(gòu)建后, 可以使用 .compile() 來配置學(xué)習(xí)過程：

model.compile(loss='categorical_crossentropy',

optimizer='sgd',

metrics=['accuracy'])

如果需要，你還可以進(jìn)一步地配置你的優(yōu)化器。Keras 的核心原則是使事情變得相當(dāng)簡單，同時(shí)又允許用戶在需要的時(shí)候能夠進(jìn)行完全的控制（終極的控制是源代碼的易擴(kuò)展性）。

model.compile(loss=keras.losses.categorical_crossentropy,

optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))

現(xiàn)在，你可以批量地在訓(xùn)練數(shù)據(jù)上進(jìn)行迭代了：

# x_train 和 y_train 是 Numpy 數(shù)組 -- 就像在 Scikit-Learn API 中一樣。

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

或者，你可以手動(dòng)地將批次的數(shù)據(jù)提供給模型：

model.train_on_batch(x_batch, y_batch)

只需一行代碼就能評估模型性能：

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

或者對新的數(shù)據(jù)生成預(yù)測：

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

構(gòu)建一個(gè)問答系統(tǒng)，一個(gè)圖像分類模型，一個(gè)神經(jīng)圖靈機(jī)，或者其他的任何模型，就是這么的快。深度學(xué)習(xí)背后的思想很簡單，那么它們的實(shí)現(xiàn)又何必要那么痛苦呢？

有關(guān) Keras 更深入的教程，請查看：

在代碼倉庫的 examples 目錄中，你會(huì)找到更多高級模型：基于記憶網(wǎng)絡(luò)的問答系統(tǒng)、基于棧式 LSTM 的文本生成等等。

安裝指引

在安裝 Keras 之前，請安裝以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我們推薦 TensorFlow 后端。

你也可以考慮安裝以下可選依賴：

cuDNN (如果你計(jì)劃在 GPU 上運(yùn)行 Keras，建議安裝)。

HDF5 和 h5py (如果你需要將 Keras 模型保存到磁盤，則需要這些)。

然后你就可以安裝 Keras 本身了。有兩種方法安裝 Keras：

使用 PyPI 安裝 Keras (推薦)：

sudo pip install keras

如果你使用 virtualenv 虛擬環(huán)境, 你可以避免使用 sudo：

pip install keras

或者：使用 GitHub 源碼安裝 Keras：

首先，使用 git 來克隆 Keras：

git clone https://github.com/keras-team/keras.git

然后，cd 到 Keras 目錄并且運(yùn)行安裝命令：

cd keras

sudo python setup.py install

配置你的 Keras 后端

默認(rèn)情況下，Keras 將使用 TensorFlow 作為其張量操作庫。請跟隨這些指引來配置其他 Keras 后端。

技術(shù)支持

你可以提出問題并參與開發(fā)討論：

或者加入 Keras 深度學(xué)習(xí)交流群，協(xié)助文檔的翻譯工作，群號為 951623081。

你也可以在 GitHub issues 中發(fā)布漏洞報(bào)告和新功能請求（僅限于此）。注意請先閱讀規(guī)范文檔。

為什么取名為 Keras?

Keras (κ?ρα?) 在希臘語中意為 號角 。它來自古希臘和拉丁文學(xué)中的一個(gè)文學(xué)形象，首先出現(xiàn)于 《奧德賽》 中， 夢神 (Oneiroi, singular Oneiros) 從這兩類人中分離出來：那些用虛幻的景象欺騙人類，通過象牙之門抵達(dá)地球之人，以及那些宣告未來即將到來，通過號角之門抵達(dá)之人。 它類似于文字寓意，κ?ρα? (號角) / κρα?νω (履行)，以及 ?λ?φα? (象牙) / ?λεφα?ρομαι (欺騙)。

Keras 最初是作為 ONEIROS 項(xiàng)目（開放式神經(jīng)電子智能機(jī)器人操作系統(tǒng)）研究工作的一部分而開發(fā)的。

"Oneiroi 超出了我們的理解 - 誰能確定它們講述了什么故事？并不是所有人都能找到。那里有兩扇門，就是通往短暫的 Oneiroi 的通道；一個(gè)是用號角制造的，一個(gè)是用象牙制造的。穿過尖銳的象牙的 Oneiroi 是詭計(jì)多端的，他們帶有一些不會(huì)實(shí)現(xiàn)的信息； 那些穿過拋光的喇叭出來的人背后具有真理，對于看到他們的人來說是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).

總結(jié)

以上是生活随笔為你收集整理的python官方文档中文版-主页 - Keras 中文文档的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。