摘要：Keras作为神经网络的高级包，能够快速搭建神经网络，它的兼容性非常广，兼容了TensorFlow和Theano。
一.为什么要使用Keras
Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。其主要开发者是谷歌工程师François Chollet。
Keras在代码结构上由面向对象方法编写，完全模块化并具有可扩展性，其运行机制和说明文档有将用户体验和使用难度纳入考虑，并试图简化复杂算法的实现难度。Keras支持现代人工智能领域的主流算法，包括前馈结构和递归结构的神经网络，也可以通过封装参与构建统计学习模型。在硬件和开发环境方面，Keras支持多操作系统下的多GPU并行计算，可以根据后台设置转化为Tensorflow、Microsoft-CNTK等系统下的组件。
Keras作为神经网络的高级包，能够快速搭建神经网络，它的兼容性非常广，兼容了TensorFlow和Theano。
二.安装Keras和兼容Backend
1.如何安装Keras
首先需要确保已经安装了以下两个包：
Numpy
Scipy
调用“pip3list”命令可以看到相关包已经安装成功。
接着通过“pip3install Keras”安装，作者是使用Anaconda下的Python3.6版本。
activatetensorflowpip3installkeraspipinstallkeras
搭建过程详见这篇文章：
[Python人工智能] 一.TensorFlow环境搭建及神经网络入门
安装如下图所示：
安装成功之后，我们尝试一个简单的代码。打开Anaconda，然后选择已经搭建好的“tensorflow”环境，运行Spyder。
测试代码如下：
#-*-coding:utf-8-*-"""CreatedonFriFeb1416:43:212020@author:EastmountCSDN"""importnumpyasnpfromkeras.preprocessing.sequenceimportTimeseriesGenerator#时间序列y=np.array(range(5))tg=TimeseriesGenerator(y,y,length=3,sampling_rate=1)foriinzip(*tg[0]):print(*i)
运行结果如下图所示，究竟“Using TensorFlow backend.”表示什么意思呢？
2.兼容Backend
Backend是指Keras基于某个框架来做运算，包括基于TensorFlow或Theano，上面的那段代码就是使用TensorFlow来运算的。后面要讲解的神经网络也是基于TensorFlow或Theano来搭建的。
如何查看Backend呢？当我们导入Keras扩展包时，它就会有相应的提示，比如下图使用的就是Theano来搭建底层的神经网络。
如果想要改成TensorFlow，怎么办呢？
第一种方法，找到“keras/keras.json”这个文件，然后打开它。所有的backend信息就存储在这里，每次导入Keras包就会检测这个“keras.json”文件的backend。接着我们尝试修改。
第二种方法是在命令行中输入下面这句命令，每次运行脚本时它会直接帮你修改成临时的TensorFlow。
import os os.environ['KERAS_BACKEND']='tensorflow' import keras
三.白话神经网络
该部分还是有必要再给大家普及一遍，参考"莫烦大神"网易云课程对神经网络的介绍，讲得清晰透彻，推荐大家阅读。开始吧！让我们一起进入神经网络和TensorFlow的世界。
首先，什么是神经网络（Neural Networks）？
计算机神经网络是一种模仿生物神经网络或动物神经中枢，特别是大脑的结构和功能，它是一种数学模型或计算机模型。神经网络由大量的神经元连接并进行计算，大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应的过程。
现代神经网络是一种基于传统统计学建模的工具，常用来对输入和输出间复杂的关系进行建模，或探索数据间的模式，神经网络是一种运算模型，有大量的节点或神经元及其联系构成。和人类的神经元一样，它们负责传递信息和加工信息，神经元也能被训练或强化，形成固定的神经形态，对特殊的信息有更强烈的反应。
神经网络是如何工作的呢？
如上图所示，不管这是一只跳跃飞奔的猫，或是一只静静思考的猫，你都知道它是一只猫，因为你的大脑已经被告知过圆眼睛、毛茸茸、尖耳朵的就是猫，你通过成熟的视觉神经系统判断它是猫。计算机也是一样，通过不断的训练，告诉哪些是猫、哪些是狗、哪些是猪，它们会通过数学模型来概括这些学习的判断，最终以数学的形式（0或1）来分类。目前，谷歌、百度图片搜索都能清晰识别事物，这些都归功于计算机神经系统的飞速发展。
神经网络系统由多层神经层构成，为了区分不同的神经层，我们分为：
输入层：直接接收信息的神经层，比如接收一张猫的图片
输出层：信息在神经元中传递中转和分析权衡，形成输出结果，通过该层输出的结果可以看出计算机对事物的认知
隐藏层：在输入和输出层之间的众多神经元连接组成的各个层面，可以有多层，负责对传入信息的加工处理，经过多层加工才能衍生出对认知的理解
神经网络举例说明
如下图所示，通常来说，计算机处理的东西和人类有所不同，无论是声音、图片还是文字，它们都只能以数字0或1出现在计算机神经网络里。神经网络看到的图片其实都是一堆数字，对数字的加工处理最终生成另一堆数字，并且具有一定认知上的意义，通过一点点的处理能够得知计算机到底判断这张图片是猫还是狗。
计算机是怎么训练的呢？
首先，需要很多的数据，比如需要计算机判断是猫还是狗，就需要准备上千万张有标记的图片，然后再进行上千万次的训练。计算机通过训练或强化学习判断猫，将获取的特征转换为数学的形式。
我们需要做的就是只给计算机看图片，然后让它给我们一个不成熟也不准确的答案，有可能100次答案中有10%是正确的。如果给计算机看图片是一张飞奔的猫（如下图），但计算机可能识别成一条狗，尽管它识别错误，但这个错误对计算机是非常有价值的，可以用这次错误的经验作为一名好老师，不断学习经验。
那么计算机是如何学习经验的呢？
它是通过对比预测答案和真实答案的差别，然后把这种差别再反向传递回去，修改神经元的权重，让每个神经元向正确的方向改动一点点，这样到下次识别时，通过所有改进的神经网络，计算机识别的正确率会有所提高。最终每一次的一点点，累加上千万次的训练，就会朝正确的方向上迈出一大步。
最后到验收结果的时候，给计算机再次显示猫的图片时，它就能正确预测这是一只猫。
激励函数是什么东东？
接着再进一步看看神经网络是怎么训练的。原来在计算机里每一个神经元都有属于它的激励函数（Active Function），我们可以利用这些激励函数给计算机一个刺激行为。当我们第一次给计算机看一只飞奔的猫时，神经网络中只有部分神经元被激活或激励，被激活传递下去的信息是计算机最为重视的信息，也是对输出结果最有价值的信息。
如果预测的结果是一只狗，所有神经元的参数就会被调整，这时有一些容易被激活的神经元就会变得迟钝，而另一些会变得敏感起来，这就说明了所有神经元参数正在被修改，变得对图片真正重要的信息敏感，从而被改动的参数就能渐渐预测出正确的答案，它就是一只猫。这就是神经网络的加工过程。
四.Keras搭建回归神经网络
推荐前文：[Python人工智能] 二.TensorFlow基础及一元直线预测案例，最终输出的结果如下图所示：
1.导入扩展包
Sequential（序贯模型）表示按顺序建立模型，它是最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。Dense是layers中的属性，表示全连接层。Keras还可以实现各种层，包括core核心层、Convolution卷积层、Pooling池化层等非常丰富有趣的网络结构。
importnumpyasnpfromkeras.modelsimportSequentialfromkeras.layersimportDenseimportmatplotlib.pyplotasplt
2.创建散点图数据
通过numpy.linspace随机生成200个散点，并构建y=0.5*x+2的虚拟数据，并调用 np.random.normal(0, 0.05, (200,)) 增加噪声。
importnumpyasnpfromkeras.modelsimportSequentialfromkeras.layersimportDenseimportmatplotlib.pyplotasplt#---------------------------创建散点数据---------------------------#输入X=np.linspace(-1,1,200)#随机化数据np.random.shuffle(X)#输出y=0.5*X+2+np.random.normal(0,0.05,(200,))#噪声平均值0方差0.05#绘制散点图plt.scatter(X,y)plt.show()#数据集划分(训练集-测试集)X_train,y_train=X[:160],y[:160]#前160个散点X_test,y_test=X[160:],y[160:]#后40个散点
这里通过matplotlib简单绘制散点图，输出结果如下图所示，基本满足：y = 0.5*x + 2 +noise。
3.添加神经网络层
创建Sequential模型。
添加神经网络层。在Keras中，增加层的操作非常简单，调用model.add(Dense(output_dim=1, input_dim=1))函数添加即可。注意，如果再添加一个神经层，默认上一层的输出为下一层的输入数据，此时不需要定义input_dim，比如model.add(Dense(output_dim=1, ))。
搭建模型并选择损失函数(loss function)和优化方法(optimizing method)。
----------------------------添加神经层------------------------------
创建模型
model = Sequential()
增加全连接层 输出个数和输入个数(均为1个)
model.add(Dense(output_dim=1, input_dim=1))
搭建模型 选择损失函数(loss function)和优化方法(optimizing method)
mse表示二次方误差 sgd表示乱序梯度下降优化器
model.compile(loss='mse', optimizer='sgd')
PS：是不是感觉Keras代码比TensorFlow和Theano都简洁很多，但还是建议大家先学习前者，再深入Keras。
4.训练并输出误差
print("训练")#学习300次forstepinrange(301):#分批训练数据返回值为误差cost=model.train_on_batch(X_train,y_train)#每隔100步输出误差ifstep%100==0:print('traincost:',cost)5.测试神经网络并输出误差\权重和偏置
print("测试")#运行模型测试一次传入40个测试散点cost=model.evaluate(X_test,y_test,batch_size=40)#输出误差print("testcost:",cost)#获取权重和误差layers[0]表示第一个神经层(即Dense)W,b=model.layers[0].get_weights()#输出权重和偏置print("weights:",W)print("biases:",b)6.绘制预测图形
y_pred=model.predict(X_test)plt.scatter(X_test,y_test)plt.plot(X_test,y_pred)plt.show()
输出结果如下所示：
误差从4.002261下降到0.0030148015，说明学习到知识。同时，误差为0.47052705接近我们的初始值0.5，偏置为1.9944116也接近2。
训练traincost:4.002261traincost:0.07719966traincost:0.005076804traincost:0.0030148015测试40/40[==============================]-0s1ms/steptestcost:0.0028453178238123655weights:[[0.47052705]]biases:[1.9944116]
完整代码如下：
#-*-coding:utf-8-*-"""CreatedonFriFeb1416:43:212020@author:EastmountCSDNYXZO(∩_∩)OWuhanFighting!!!"""importnumpyasnpfromkeras.modelsimportSequentialfromkeras.layersimportDenseimportmatplotlib.pyplotasplt#---------------------------创建散点数据---------------------------#输入X=np.linspace(-1,1,200)#随机化数据np.random.shuffle(X)#输出y=0.5*X+2+np.random.normal(0,0.05,(200,))#噪声平均值0方差0.05#绘制散点图#plt.scatter(X,y)#plt.show()#数据集划分(训练集-测试集)X_train,y_train=X[:160],y[:160]#前160个散点X_test,y_test=X[160:],y[160:]#后40个散点#----------------------------添加神经层------------------------------#创建模型model=Sequential()#增加全连接层输出个数和输入个数(均为1个)model.add(Dense(output_dim=1,input_dim=1))#搭建模型选择损失函数(lossfunction)和优化方法(optimizingmethod)#mse表示二次方误差sgd表示乱序梯度下降优化器model.compile(loss='mse',optimizer='sgd')#--------------------------------Traning----------------------------print("训练")#学习300次forstepinrange(301):#分批训练数据返回值为误差cost=model.train_on_batch(X_train,y_train)#每隔100步输出误差ifstep%100==0:print('traincost:',cost)#--------------------------------Test-------------------------------print("测试")#运行模型测试一次传入40个测试散点cost=model.evaluate(X_test,y_test,batch_size=40)#输出误差print("testcost:",cost)#获取权重和误差layers[0]表示第一个神经层(即Dense)W,b=model.layers[0].get_weights()#输出权重和偏置print("weights:",W)print("biases:",b)#------------------------------绘制预测图形-----------------------------y_pred=model.predict(X_test)plt.scatter(X_test,y_test)plt.plot(X_test,y_pred,"red")plt.show()下面补充代码对比各训练阶段拟合的直线，可以看到随着训练次数增加，误差逐渐降低并且拟合的直线越来越好。
#-*-coding:utf-8-*-"""CreatedonFriFeb1416:43:212020@author:EastmountCSDNYXZ"""importnumpyasnpfromkeras.modelsimportSequentialfromkeras.layersimportDenseimportmatplotlib.pyplotasplt#---------------------------创建散点数据---------------------------#输入X=np.linspace(-1,1,200)#随机化数据np.random.shuffle(X)#输出y=0.5*X+2+np.random.normal(0,0.05,(200,))#噪声平均值0方差0.05#绘制散点图#plt.scatter(X,y)#plt.show()#数据集划分(训练集-测试集)X_train,y_train=X[:160],y[:160]#前160个散点X_test,y_test=X[160:],y[160:]#后40个散点#----------------------------添加神经层------------------------------#创建模型model=Sequential()#增加全连接层输出个数和输入个数(均为1个)model.add(Dense(output_dim=1,input_dim=1))#搭建模型选择损失函数(lossfunction)和优化方法(optimizingmethod)#mse表示二次方误差sgd表示乱序梯度下降优化器model.compile(loss='mse',optimizer='sgd')#--------------------------------Traning----------------------------print("训练")k=0#学习1000次forstepinrange(1000):#分批训练数据返回值为误差cost=model.train_on_batch(X_train,y_train)#每隔100步输出误差ifstep%100==0:print('traincost:',cost)#-----------------------------------------------------------#运行模型测试一次传入40个测试散点cost=model.evaluate(X_test,y_test,batch_size=40)#输出误差print("testcost:",cost)#获取权重和误差layers[0]表示第一个神经层(即Dense)W,b=model.layers[0].get_weights()#输出权重和偏置print("weights:",W)print("biases:",b)#-----------------------------------------------------------#可视化绘图k=k+1plt.subplot(5,2,k)y_pred=model.predict(X_test)plt.scatter(X_test,y_test)plt.plot(X_test,y_pred,"red",label='cost=%.4fk=%d'%(cost,k))plt.legend()plt.show()本文分享自华为云社区，作者：eastmount。