Keras: 基於 Python 的深度學習庫 PDF版發布啦~

Keras 是一個用 Python 編寫的高級神經網絡 API，它能夠以 TensorFlow，CNTK, 或者Theano 作為後端運行。Keras 的開發重點是支持快速的實驗，能夠以最小的時延把你的想法轉換為實驗結果，是做好研究的關鍵。

如果你在以下情況下需要深度學習庫，請使用 Keras：

截至2018年6月，Keras擁有超過250,000名個人用戶。與其他任何深度學習框架相比，Keras在行業和研究領域的應用率更高（除 TensorFlow 之外，且Keras API 是 TensorFlow 的官方前端，通過 tf.keras 模塊使用）

Keras 的核心數據結構是 model，一種組織網絡層的方式。最簡單的模型是Sequential 順序模型，它是由多個網絡層線性堆疊的棧。對於更複雜的結構，則應該使用 Keras 函數式 API，它允許構建任意的神經網絡圖。

Keras簡潔高效，30 秒上手，下面以 Sequential 順序模型為例進行說明。

1from keras.models import Sequential
2
3model = Sequential()

可以簡單地使用 .add() 來堆疊模型：

1from keras.layers import Dense
2
3model.add(Dense(units=64, activation='relu', input_dim=100))
4model.add(Dense(units=10, activation='softmax'))

在完成了模型的構建後, 可以使用 .compile() 來配置學習過程：

1model.compile(loss='categorical_crossentropy',
2              optimizer='sgd',
3              metrics=['accuracy'])

如果需要，你還可以進一步地配置你的優化器。Keras 的核心原則是使事情變得相當簡單，同時又允許用戶在需要的時候能夠進行完全的控制（終極的控制是原始碼的易擴展性）。

1model.compile(loss=keras.losses.categorical_crossentropy,
2              optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))

現在，你可以批量地在訓練數據上進行迭代了：

1
2model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手動地將批次的數據提供給模型：

1model.train_on_batch(x_batch, y_batch)

只需一行代碼就能評估模型性能：

1loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

或者對新的數據生成預測：

1classes = model.predict(x_test, batch_size=128)

構建一個問答系統，一個圖像分類模型，一個神經圖靈機，或者其他的任何模型，就是這麼的快。深度學習背後的思想很簡單，那麼它們的實現又何必要那麼痛苦呢？

有關 Keras 更深入的教程，請查看官方文檔：

英文：https://keras.io

中文：https://keras.io/zh

然而，上述文檔均為網頁版文檔，不便於本地查閱或者列印，因此，小編特地用 LaTeX 排版整理了上述網頁文檔的PDF版本，供小夥伴們離線學習。

該文檔的目錄如下：

《Keras: 基於 Python 的深度學習庫》 PDF版 獲取方式為後臺回復關鍵詞：keras 即可。

更多乾貨歷史推文：