深度学习-初识Tensorflow框架、Keras框架（上篇笔记）

以下为读书笔记

摘要

​ 这篇文章主要记述了博主初识深度学习的过程包括安装Tensorflow,，Keras的方法和其中遇到的问题，并以MINIST（基于TensorFlow）为例子分别构建线性层的Softmax回归模型和多层卷积神经网络Softmax回归模型来学习框架的使用。

环境说明

环境：

• windows10
• python3.7
• 编译器：Spyder3.3.3

其他：

• Annaconda：开源的包、环境管理器，里面集成了Python的库，如numpy、matplot等，博主之前装了Python3.7，又下载了Annaconda：在其中配置了Python3.6环境，很是方便，直接去官网Download自己需要的版本就好：Annaconda官网！

小谈TensorFlow和Keras

TensorFlow

概念

​ Google的TensorFlow开源深度学习框架可以理解为是一个“数学函数”集合和AI训练学习的执行框架，在世界深度学习框架范围内拥有最高的知名度，通过它我们只需要少量的代码就可以很好地完成AI模型的建立和训练，而不需要很强的编程功底，对科学研究人员是一大福利，我想这也许也是Python迅速崛起的原因，毕竟大多数人没有那么多时间去学习复杂的C++。

有关TensorFlow的内容欢迎访问TensorFlow中文社区

Keras

概念

​ Keras是一个高级神经网络API，用Python编写，支持python2.7-3.6，能够在Tensorflow,CNTK或Theano之上运行，它的开发重点是实现快速研究（简单来说就是比Tensorflow使用方便，框架更灵巧简约，运算速度更快）

Keras设计原则

• 用户友好：Keras是专为人类设计的API，以用户体验为中心。Keras遵循减少认知并进行高效研究：它提供一致且简单的API，最大限度减少用户所需操作的东西，并且可以根据用户错误提供清晰且可操作的反馈。

• 模块化：模型被理解为独立的，完全可配置的模块的序列或图形，可以通过尽可能少的限制将其插入到一起。特别是，神经层，成本函数，优化器，初始化方案，激活函数和正则化方案都是独立的模块，您可以将它们组合在一起以创建新模型。

• 易扩展性:新模块易于添加（作为新类和函数），现有模块提供了充足的示例。为了能够轻松创建新模块，可以实现全面的表现力，使Keras适合高级研究。

• 使用Python:没有声明格式的单独模型配置文件。模型在Python代码中描述，它紧凑，易于调试，并且易于扩展。