Keras 中文文档: 主页

Keras，Python 深度学习库中文文档。

... 如果你在以下情况下需要深度学习库，请使用Keras：. 允许简单而快速的原型设计（ ... Keras 是为人类而不是为机器设计的API。

Keras中文文档 主页 Keras:基于Python的深度学习库 你恰好发现了Keras。

指导原则 快速开始：30秒上手Keras 安装指引 配置你的Keras后端 技术支持 为什么取名为Keras? 为什么选择Keras? 快速开始 Sequential顺序模型指引 函数式API指引 FAQ常见问题解答 模型 关于Keras模型 Sequential顺序模型API 函数式API Layers 关于Keras网络层 核心网络层 卷积层Convolutional 池化层Pooling 局部连接层Locally-connected 循环层Recurrent 嵌入层Embedding 融合层Merge 高级激活层AdvancedActivations 标准化层Normalization 噪声层Noise 层封装器wrappers 编写你自己的层 数据预处理 序列预处理 文本预处理 图像预处理 损失函数Losses 评估标准Metrics 优化器Optimizers 激活函数Activations 回调函数Callbacks 常用数据集Datasets 应用Applications 后端Backend 初始化Initializers 正则化Regularizers 约束Constraints 可视化Visualization Scikit-learnAPI 工具 贡献 经典样例 AdditionRNN BabyRNN BabyMemNN CIFAR-10CNN CIFAR-10CNN-Capsule CIFAR-10CNNwithaugmentation(TF) CIFAR-10ResNet Convolutionfiltervisualization ImageOCR BidirectionalLSTM   Keras中文文档 Docs» 主页 EditonGitHub Keras:基于Python的深度学习库 你恰好发现了Keras。

Keras是一个用Python编写的高级神经网络API，它能够以TensorFlow,CNTK,或者Theano作为后端运行。

Keras的开发重点是支持快速的实验。

能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。

如果你在以下情况下需要深度学习库，请使用Keras： 允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。

同时支持卷积神经网络和循环神经网络，以及两者的组合。

在CPU和GPU上无缝运行。

查看文档，请访问Keras.io。

Keras兼容的Python版本:Python2.7-3.6。

指导原则 用户友好。

Keras是为人类而不是为机器设计的API。

它把用户体验放在首要和中心位置。

Keras遵循减少认知困难的最佳实践：它提供一致且简单的API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。

模块化。

模型被理解为由独立的、完全可配置的模块构成的序列或图。

这些模块可以以尽可能少的限制组装在一起。

特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。

易扩展性。

新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。

由于能够轻松地创建可以提高表现力的新模块，Keras更加适合高级研究。

基于Python实现。

Keras没有特定格式的单独配置文件。

模型定义在Python代码中，这些代码紧凑，易于调试，并且易于扩展。

快速开始：30秒上手Keras Keras的核心数据结构是model，一种组织网络层的方式。

最简单的模型是Sequential顺序模型，它由多个网络层线性堆叠。

对于更复杂的结构，你应该使用Keras函数式API，它允许构建任意的神经网络图。

Sequential模型如下所示： fromkeras.modelsimportSequential model=Sequential() 可以简单地使用.add()来堆叠模型： fromkeras.layersimportDense model.add(Dense(units=64,activation='relu',input_dim=100)) model.add(Dense(units=10,activation='softmax')) 在完成了模型的构建后,可以使用.compile()来配置学习过程： model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']) 如果需要，你还可以进一步地配置你的优化器。

Keras的核心原则是使事情变得相当简单，同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性）。

model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.SGD(lr=0.01,momentum=0.9,nesterov=True)) 现在，你可以批量地在训练数据上进行迭代了： #x_train和y_train是Numpy数组--就像在Scikit-LearnAPI中一样。

model.fit(x_train,y_train,epochs=5,batch_size=32) 或者，你可以手动地将批次的数据提供给模型： model.train_on_batch(x_batch,y_batch) 只需一行代码就能评估模型性能： loss_and_metrics=model.evaluate(x_test,y_test,batch_size=128) 或者对新的数据生成预测： classes=model.predict(x_test,batch_size=128) 构建一个问答系统，一个图像分类模型，一个神经图灵机，或者其他的任何模型，就是这么的快。

深度学习背后的思想很简单，那么它们的实现又何必要那么痛苦呢？ 有关Keras更深入的教程，请查看： 开始使用Sequential模型 开始使用函数式API 在代码仓库的examples目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式LSTM的文本生成等等。

安装指引 在安装Keras之前，请安装以下后端引擎之一：TensorFlow，Theano，或者CNTK。

我们推荐TensorFlow后端。

TensorFlow安装指引。

Theano安装指引。

CNTK安装指引。

你也可以考虑安装以下可选依赖： cuDNN(如果你计划在GPU上运行Keras，建议安装)。

HDF5和h5py(如果你需要将Keras模型保存到磁盘，则需要这些)。

graphviz和pydot(用于可视化工具绘制模型图)。

然后你就可以安装Keras本身了。

有两种方法安装Keras： 使用PyPI安装Keras(推荐)： sudopipinstallkeras 如果你使用virtualenv虚拟环境,你可以避免使用sudo： pipinstallkeras 或者：使用GitHub源码安装Keras： 首先，使用git来克隆Keras： gitclonehttps://github.com/keras-team/keras.git 然后，cd到Keras目录并且运行安装命令： cdkeras sudopythonsetup.pyinstall 配置你的Keras后端 默认情况下，Keras将使用TensorFlow作为其张量操作库。

请跟随这些指引来配置其他Keras后端。

技术支持 你可以提出问题并参与开发讨论： KerasGooglegroup。

KerasSlackchannel。

使用这个链接向该频道请求邀请函。

或者加入Keras深度学习交流群，协助文档的翻译工作，群号为951623081。

你也可以在GitHubissues中发布漏洞报告和新功能请求（仅限于此）。

注意请先阅读规范文档。

为什么取名为Keras? Keras(κέρας)在希腊语中意为号角。

它来自古希腊和拉丁文学中的一个文学形象，首先出现于《奥德赛》中，梦神(Oneiroi,singularOneiros)从这两类人中分离出来：那些用虚幻的景象欺骗人类，通过象牙之门抵达地球之人，以及那些宣告未来即将到来，通过号角之门抵达之人。

它类似于文字寓意，κέρας(号角)/κραίνω(履行)，以及ἐλέφας(象牙)/ἐλεφαίρομαι(欺骗)。

Keras最初是作为ONEIROS项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。

"Oneiroi超出了我们的理解-谁能确定它们讲述了什么故事？并不是所有人都能找到。

那里有两扇门，就是通往短暂的Oneiroi的通道；一个是用号角制造的，一个是用象牙制造的。

穿过尖锐的象牙的Oneiroi是诡计多端的，他们带有一些不会实现的信息；那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。

"Homer,Odyssey19.562ff(Shewringtranslation). GitHub Next»