用 Keras 快速上手深度学习（带实际案例）

1. Keras 简介

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，keras的基本特点：

• 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

注意：Keras适用的Python版本是：Python 2.7-3.6

1.1 Keras的重要API

Keras的API主要可以分为以下几类：

layers

主要涉及神经网络的一些构件，如全连接，卷积，最大池化等。

## layers相关API
input_tensor = keras.layers.Input(shape=(784,)) # 实质上 shape = (None, 784)——默认 784 前面有一个batchsize 为 None

keras.layers.Dense(units=10,activation=keras.activations.relu,use_bias=True)

keras.layers.Softmax(axis=-1)(input_tensor)

keras.layers.Flatten()

a = keras.layers.Input(shape=(28,))
print(a)
b = keras.layers.Input(shape=(56,))
print(b)
c= keras.layers.concatenate([a,b],axis=-1)  # 对应最后一个维度，即 28 和 56
print(c)

activations

主要涉及神经网络的常用激活函数。

## activations相关API
keras.activations.relu
keras.activations.sigmoid
keras.activations.tanh

losses

主要涉及一些常用的损失函数。

## losses相关API
keras.losses.categorical_crossentropy
keras.losses.sparse_categorical_crossentropy
keras.losses.mean_squared_error
keras.losses.mean_absolute_error
keras.losses.logcosh()

metrics

主要涉及常用的模型评估方法。

## metric相关API
keras.metrics.accuracy
keras.metrics.sparse_top_k_categorical_accuracy
keras.metrics.Precision()
keras.metrics.Recall()

optimizers

主要涉及常用的优化方法。

## optimizers相关API
keras.optimizers.SGD()
keras.optimizers.RMSprop()
keras.optimizers.Adam()

models

主要涉及模型的组装，模型的保存，模型的加载。

（1）模型类型

Keras 有两种模型：Sequential API 和 Function API

• Sequential API

# Sequential API
model = keras.models.Sequential([keras.layers.Dense(30, activation="relu",input_shape=[10]),keras.layers.Dense(1)])
print(model.input_shape)
model.compile(loss="mean_squared_error", optimizer="sgd")

• Function API

#Function API
#单输入单输出
input_tensor = keras.layers.Input(shape=(12,))
hidden1 = keras.layers.Dense(30, activation="relu")(input_tensor)
hidden2 = keras.layers.Dense(30, activation="relu")(hidden1)
concat = keras.layers.Concatenate(axis=-1)([input_tensor, hidden2])
output_tensor = keras.layers.Dense(1)(concat)
keras.models.Model(inputs=[input_tensor],outputs=[output_tensor])

#多输入单输出
inpu