今年 1 月 12 日，Keras 作者 Franois Chollet 在推特上表示因為中文讀者的廣泛關注，他已經在 GitHub 上展開了一個 Keras 中文文檔項目。而昨日，Franois Chollet 再一次在推特上表示 Keras 官方文檔已經基本完成！他非常感謝翻譯和校對人員兩個多月的不懈努力，也希望 Keras 中文使用者能繼續幫助提升文檔質量。
這一次發布的是 Keras 官方中文文檔，它得到了嚴謹的校對而提升了整體質量。但該項目還在進行中，雖然目前已經上線了很多 API 文檔和使用教程，但仍然有一部分內容沒有完成。其實早在官方中文文檔出現以前，就有開發者構建了 Keras 的中文文檔，而且很多讀者都在使用 MoyanZitto 等人構建的中文文檔。
Keras 官方文檔：https://keras.io/zh/
Keras 第三方文檔：http://keras-cn.readthedocs.io/en/latest/
以下我們將簡要介紹這次官方發布的 Keras 文檔。
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。
如果你有如下需求，請選擇 Keras：
允許簡單而快速的原型設計（用戶友好，高度模塊化，可擴展性）。
同時支持卷積神經網絡和循環神經網絡，以及兩者的組合。
在 CPU 和 GPU 上無縫運行與切換。
Keras 兼容的 Python 版本: Python 2.7-3.6。
Keras 相對於其它深度學習庫非常容易構建：首先它提供一致和簡單的 API；其次，它提供獨立的、完全可配置的模塊構成序列或圖表以完成模型；最後，作為新的類和函數，新的模塊很容易擴展。這樣說可能比較抽象，但正如文檔中所描述的，我們甚至在 30 秒就能快速上手 Keras。所以在坑外徘徊或準備入坑 Keras 的小夥伴可以開心地開始你們的 30 秒。
快速開始：30 秒上手 Keras
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 模型，它是由多網絡層線性堆疊的棧。對於更複雜的結構，你應該使用 Keras 函數式 API，它允許構建任意的神經網絡圖。
Sequential 模型如下所示：
from keras.models import Sequentialmodel = Sequential()
可以簡單地使用 .add() 來堆疊模型：
from keras.layers import Densemodel.add(Dense(units=64, activation='relu', input_dim=100))model.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：
model.compile(loss='categorical_crossentropy',optimizer='sgd', metrics=['accuracy'])
如果需要，你還可以進一步地配置優化器。Keras 的一個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）。
model.compile(loss=keras.losses.categorical_crossentropy,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：
# x_train and y_train are Numpy arrays --just like in the Scikit-Learn API.model.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：
model.train_on_batch(x_batch, y_batch)
只需一行代碼就能評估模型性能：
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
或者對新的數據生成預測：
classes = 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？
使用簡介
Keras 模型的使用一般可以分為順序模型（Sequential）和 Keras 函數式 API，順序模型是多個網絡層的線性堆疊，而 Keras 函數式 API 是定義複雜模型（如多輸出模型、有向無環圖，或具有共享層的模型）的方法。以下將簡要介紹兩種模型的使用方法：
1.Keras 順序模型
你可以通過將層的列表傳遞給 Sequential 的構造函數，來創建一個 Sequential 模型：
from keras.models import Sequentialfrom keras.layers import Dense, Activationmodel = Sequential([Dense(32, input_shape=(784,)),Activation('relu'),Dense(10),Activation('softmax'),])
也可以使用 .add() 方法將各層添加到模型中：
model = Sequential()model.add(Dense(32, input_dim=784))model.add(Activation('relu'))
如下展示了一個完整的模型，即基於多層感知器 (MLP) 的 softmax 多分類：
import kerasfrom keras.models import Sequentialfrom keras.layers import Dense, Dropout, Activationfrom keras.optimizers import SGD# 生成虛擬數據import numpy as npx_train = np.random.random((1000, 20))y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)x_test = np.random.random((100, 20))y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)model = Sequential()# Dense(64) 是一個具有 64 個隱藏神經元的全連接層。# 在第一層必須指定所期望的輸入數據尺寸，在這裡是一個 20 維的向量。model.add(Dense(64, activation='relu', input_dim=20))model.add(Dropout(0.5))model.add(Dense(64, activation='relu'))model.add(Dropout(0.5))model.add(Dense(10, activation='softmax'))sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)model.compile(loss='categorical_crossentropy',optimizer=sgd,metrics=['accuracy'])model.fit(x_train, y_train,epochs=20,batch_size=128)score = model.evaluate(x_test, y_test, batch_size=128)
2. Keras 函數式 API
利用函數式 API，可以輕易地重用訓練好的模型：可以將任何模型看作是一個層，然後通過傳遞一個張量來調用它。注意，在調用模型時，您不僅重用模型的結構，還重用了它的權重。
以下是函數式 API 的一個很好的例子：具有多個輸入和輸出的模型。函數式 API 使處理大量交織的數據流變得容易。
來考慮下面的模型。我們試圖預測 Twitter 上的一條新聞標題有多少轉發和點讚數。模型的主要輸入將是新聞標題本身，即一系列詞語，但是為了增添趣味，我們的模型還添加了其他的輔助輸入來接收額外的數據，例如新聞標題的發布的時間等。該模型也將通過兩個損失函數進行監督學習。較早地在模型中使用主損失函數，是深度學習模型的一個良好正則方法。
模型結構如下圖所示：
讓我們用函數式 API 來實現它（詳細解釋請查看中文文檔）：
from keras.layers import Input, Embedding, LSTM, Densefrom keras.models import Model# 標題輸入：接收一個含有 100 個整數的序列，每個整數在 1 到 10000 之間。# 注意我們可以通過傳遞一個 `name` 參數來命名任何層。main_input = Input(shape=(100,), dtype='int32', name='main_input')# Embedding 層將輸入序列編碼為一個稠密向量的序列，每個向量維度為 512。x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)# LSTM 層把向量序列轉換成單個向量，它包含整個序列的上下文信息lstm_out = LSTM(32)(x)auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)auxiliary_input = Input(shape=(5,), name='aux_input')x = keras.layers.concatenate([lstm_out, auxiliary_input])# 堆疊多個全連接網絡層x = Dense(64, activation='relu')(x)x = Dense(64, activation='relu')(x)x = Dense(64, activation='relu')(x)# 最後添加主要的邏輯回歸層main_output = Dense(1, activation='sigmoid', name='main_output')(x)model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])model.compile(optimizer='rmsprop', loss='binary_crossentropy',loss_weights=[1., 0.2])model.fit([headline_data, additional_data], [labels, labels],epochs=50, batch_size=32)model.compile(optimizer='rmsprop',loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},loss_weights={'main_output': 1., 'aux_output': 0.2})# 然後使用以下方式訓練：model.fit({'main_input': headline_data, 'aux_input': additional_data},{'main_output': labels, 'aux_output': labels},epochs=50, batch_size=32)
以上只是一個簡單的案例，Keras 函數式 API 還有非常多的應用案例，包括層級共享、有向無環圖和殘差網絡等頂尖視覺模型，讀者可以繼續閱讀中文文檔了解更多
文檔的後一部分更多是描述 Keras 中常用的函數與 API，包括 Keras 模型、層級函數、預處理過程、損失函數、最優化方法、數據集和可視化等。這些 API 和對應實現的功能其實很多時候可以在實際使用的時候再查找，當然最基本的 API 我們還是需要了解的。以下將簡要介紹 Keras 模型和層級 API，其它的模塊請查閱原中文文檔。
Keras 模型
在 Keras 中有兩類模型，順序模型 和 使用函數式 API 的 Model 類模型。這些模型有許多共同的方法：
model.summary(): 列印出模型概述信息。它是 utils.print_summary 的簡捷調用。model.get_config(): 返回包含模型配置信息的字典。通過以下代碼，就可以根據這些配置信息重新實例化模型：
config = model.get_config()model = Model.from_config(config)# or, for Sequential:model = Sequential.from_config(config)
model.get_weights(): 返回模型權重的張量列表，類型為 Numpy array。model.set_weights(weights): 從 Nympy array 中為模型設置權重。列表中的數組必須與 get_weights() 返回的權重具有相同的尺寸。model.to_json(): 以 JSON 字符串的形式返回模型的表示。請注意，該表示不包括權重，只包含結構。你可以通過以下代碼，從 JSON 字符串中重新實例化相同的模型（帶有重新初始化的權重）：
from keras.models import model_from_jsonjson_string = model.to_json()model = model_from_json(json_string)
model.to_yaml(): 以 YAML 字符串的形式返回模型的表示。請注意，該表示不包括權重，只包含結構。你可以通過以下代碼，從 YAML 字符串中重新實例化相同的模型（帶有重新初始化的權重）：
from keras.models import model_from_yamlyaml_string = model.to_yaml()model = model_from_yaml(yaml_string)
model.save_weights(filepath): 將模型權重存儲為 HDF5 文件。model.load_weights(filepath, by_name=False): 從 HDF5 文件（由 save_weights 創建）中加載權重。默認情況下，模型的結構應該是不變的。如果想將權重載入不同的模型（部分層相同），設置 by_name=True 來載入那些名字相同的層的權重。
Keras 層級
所有 Keras 層都有很多共同的函數：
layer.get_weights(): 以 Numpy 矩陣的形式返回層的權重。layer.set_weights(weights): 從 Numpy 矩陣中設置層的權重（與 get_weights 的輸出形狀相同）。layer.get_config(): 返回包含層配置的字典。此圖層可以通過以下方式重置：
layer = Dense(32)config = layer.get_config()reconstructed_layer = Dense.from_config(config)
如果一個層具有單個節點 (i.e. 如果它不是共享層), 你可以得到它的輸入張量，輸出張量，輸入尺寸和輸出尺寸：
layer.inputlayer.outputlayer.input_shapelayer.output_shape
如果層有多個節點，您可以使用以下函數：
layer.get_input_at(node_index)layer.get_output_at(node_index)layer.get_input_shape_at(node_index)layer.get_output_shape_at(node_index)
這些是 Keras 模型與層級基本的函數，文檔的中心內容也是這一部分和下面描述的 API 用途與參數，它包括完整模型所需要的各個模塊，包括數據、預處理、網絡架構、訓練、評估和可視化等。但這一部分我們並不會介紹，因為很多時候我們只有在遇到未知的函數時才會詳細查閱。
Keras 官方中文文檔，歡迎各位徘徊者入坑