878
Keras新手“入坑”指南
api等都是非常重要的…為什麼要用Keras呢?
Keras是一種高級的神經網絡API，它運行在許多底層庫之上，這些庫被用作後端，包括TensorFlow、Theano、CNTK和PlaidML等。Keras代碼是可移植的，這意味著你可以使用Keras 實現一個神經網絡，然後使用Theano作為一個備份，再指定後端在TensorFlow上運行，並且不需要對代碼進行進一步的更改。數據科學家和機器學習專家Charles Martin總:
10年了。這並不容易，但對一個好的黑客來說是足夠的。對我來說，Keras使得那些被認為不可用的人工智能產品能夠發揮它們的價值。
Keras是一種易於使用的神經網絡庫，它可以促進簡單直觀的語法。在某種程度上講，它還麵向神經網絡技術消費者，而不隻是生產商。這兩組之間的界限並不是很明確;確切地說，到底是什麼構成了機器學習算法的設計和實現，而不是修改已經準備好的機器呢?這就類似於是先有雞還是先有蛋的問題，這並不是一個合適的討論話題。然而，和其他已經建立的主流神經網絡庫相比，Keras更適合於數據科學的實踐。事實上，我想說的是，Keras是任何一個使用神經網絡的數據科學家的工具。
Keras，如果你已經熟悉了神經網絡，那就不是一個特別困難的任務了。為了達到這個目的，最好對神經網絡有一定的了解。
:
:Keras基礎知識
Keras到底是什麼?
Keras是一個高級神經網絡API，用Python編寫，能夠在TensorFlow、CNTK或Theano上麵運行。它的開發重點是支持快速實驗，能夠以最短的時間從想法到結果。如果你需要有如下特點的深度學習庫：
1、允許簡單快速的原型設計(友好性、模塊性和可擴展性)。
2、支持卷積網絡和循環網絡，以及兩者的組合。
3、在CPU和GPU上無縫運行。
Keras。
:Keras的概述
Valerio Maggio於2017年在倫敦的PyData舉行了一場精彩的演講，題為“十個步驟學習Keras”。為了對Keras更深入的理解，可以拿Keras與其他庫相比，以及使用它來完成事情，請花上90分鍾看視頻。然後看看下麵鏈接的幾頁文檔，以了解Keras是如何處理模型實現的。
1、Keras模型
Keras而不是TensorFlow，請讀一下這篇文章:
Keras後端，請參閱這個文檔頁麵:
:慢慢地學習Keras
:當人們開始使用一個新的深度學習庫時，首先要做的事情之一就是:實現一個簡單的邏輯回歸模型。
Valerio的視頻，那麼你可能已經得到了你需要的東西。如果沒有，那就從談話中引用他的筆記。一般情況下，你可以閱讀整個過程，再對TensorFlow、Theano和Keras的實現代碼進行比較。如果你隻對Keras 代碼感興趣，那麼可以跳過大約一半。
Keras文檔頁麵，這些文檔頁麵描述了這兩種模式(已經在上麵提到的)和層。
2、Keras
Keras教程:使用神經網絡識別三連棋遊戲的勝利者。
:實現卷積神經網絡
Keras中實現卷積神經網絡(CNN)，首先要閱讀它的卷積層的文檔:
Keras中關於CNNs的以下教程。第一種方法采用了較慢的方法，並且涵蓋了你現在應該知道的大部分內容，而第二種則考慮了一些額外的主題，例如避免過度使用。這並不一定是一種非此即彼的方法;你可能會在兩種模式中發現各自的價值:
Keras教程:Python的終極初學者指南，高級數據科學
閱讀附帶的博客文章。
:實現一個循環的神經網絡
Keras中實現一個循環的神經網絡(RNN)，首先要閱讀它的循環層的文檔:
Chris Albon的教程：實現一個長期的短期記憶(LSTM)網絡——一種主要的RNN:
閱讀附帶的幻燈片。
:接下來該做什麼?
Keras有一個堅實的理解，包括為什麼要使用它，它在某些情況下優於其他庫的優點，並使用它來實現各種網絡架構。你現在是個專家，對吧?
,也許不是。但希望你已經掌握了基本知識。當你想要超越基本的時候，最好的方法就是閱讀Keras的官方教程:
Keras示例，其中包括了遠景模型示例、文本和序列示例、生成模型示例等等。
?更改優化器，添加擴展層，使用激活函數。或者使用一些Keras量度標準來回顧並判斷你的模型的性能。Keras文檔是一個很好的開始:
原文鏈接：https://www.kdnuggets.com/2017/10/seven-steps-deep-learning-keras.html
最後更新：2017-11-13 21:04:01