Keras 深度学习

Keras 提供了一个完整的框架来创建任何类型的神经网络。Keras 具有创新性，而且非常容易学习。它支持简单的神经网络到非常大和复杂的神经网络模型。接下来，在本章中将会了解 Keras 框架的架构以及 Keras 如何帮助深度学习。

Keras 架构

Keras API 可以分为三个主要类别：

模型
层
核心模块

在 Keras 中，每个 ANN 都由Keras 模型表示。反过来，每个 Keras 模型都是由Keras 层组成，代表 ANN 层，如输入、隐藏层、输出层、卷积层、池化层等，Keras 模型和层访问Keras 模块，用于激活函数、损失函数、正则化函数等，使用 Keras 模型、Keras 层和 Keras 模块，可以以简单有效的方式表示任何 ANN 算法（CNN、RNN 等）。

下图描述了模型、层和核心模块之间的关系：

让我们看看 Keras 模型、Keras 层和 Keras 模块。

模型

Keras 模型由两种类型：

顺序模型（Sequential Model）

顺序模型基本上是 Keras 层的线性组合。序列模型简单、最小，并且能够表示几乎所有可用的神经网络。

一个简单的顺序模型如下：

from keras.models import Sequential
from keras.layers import Dense, Activation


model = Sequential()
model.add(Dense(512, activation = 'relu', input_shape = (784,)))

第 1 行从 Keras 模型导入Sequential模型
第 2 行导入Dense层和Activation模块
第 4 行使用Sequential API创建一个新的顺序模型
第 5 行添加了具有relu激活（使用 Activation 模块）功能的密集层（Dense API）

顺序模型公开了Model类供我们创建自定义模型。我们可以使用子分类概念来创建我们自己的复杂模型。

功能 API

功能 API 基本上用于创建复杂的模型。

层

Keras 模型中的每个 Keras 层代表实际提出的神经网络模型中的对应层（输入层、隐藏层和输出层）。Keras 提供了很多预构建层，因此可以轻松创建任何复杂的神经网络。下面指定了一些重要的 Keras 层，

核心层（Core）
卷积层（Convolution）
池化层（Pooling）
循环层（Recurrent）

使用顺序模型表示神经网络模型的简单 Python 代码如下：

from keras.models import Sequential 
from keras.layers import Dense, Activation, Dropout model = Sequential() 


model.add(Dense(512, activation = 'relu', input_shape = (784,))) 
model.add(Dropout(0.2)) 
model.add(Dense(512, activation = 'relu')) model.add(Dropout(0.2)) 
model.add(Dense(num_classes, activation = 'softmax'))

第 1 行从 Keras 模型导入Sequential模型
第 2 行导入Dense层和Activation模块
第 4 行使用Sequential API创建一个新的顺序模型
第 5 行添加了具有relu激活（使用 Activation 模块）功能的密集层（Dense API）。
第 6 行添加了一个 dropout 层（Dropout API）来处理过拟合。
第 7 行添加了另一个具有relu激活（使用 Activation 模块）功能的密集层（Dense API）。
第 8 行添加了另一个 dropout 层（Dropout API）来处理过拟合。
第 9 行添加了具有softmax激活（使用 Activation 模块）功能的最终密集层（Dense API）。

Keras 还提供了创建我们自己的自定义层的选项。自定义层可以通过对 Keras.Layer类进行子分类来创建，它类似于对 Keras 模型进行子分类。

核心模块

Keras 还提供了很多内置的神经网络相关函数来正确创建 Keras 模型和 Keras 层。一些功能如下:

激活（Activation）模块 激活函数是 ANN 中的一个重要概念，激活模块提供了许多激活函数，如：softmax、relu等，
损失（Loss）模块 损失模块提供损失函数，如：mean_squared_error、mean_absolute_error、poisson等，
优化器（Optimizer）模块 优化器模块提供优化器功能，如：adam、sgd等，
正则化器（Regularizers） 正则化器模块提供L1正则化器、L2正则化器等功能，

让我们在接下来的章节中详细学习 Keras 模块。