深度学习 | Keras 简介

4.1Keras简介

说到深度学习，不可避免得会提及业界有哪些优秀的框架，Keras神经网络框架便是其中之一，它是一个高级神经网络APl，用Python编写，能够在TensorFlow，CNTK或Theano之上运行。它的开发重点是实现快速实验。能够以最小的延迟从理念到结果是进行良好研究的关键。接下来我们将要讲的神经网络原理与梯度求解，Keras都已经对它们有了很好的封装，在后续的学习中，大家只要学会怎么去构建网络结构就没有什么问题了，其余的问题都由神经网络框架替我们去解决。

当然，业界也有很多优秀的框架比如Pytorch，不过笔者更倾向于前者，前者的开发主要由Google支持，而且Keras API打包为tf.keras封装在TensorFlow中。

此外，Microsoft维护CNTK Keras后端。Amazon AWS正在使用MXNet支持维护Keras分支。其他贡献公司包括NVIDIA，Uber和Apple。再者，keras已经比较成熟了，有良好的社区维护，大家在开发的过程中遇到的问题也能通过社区得到答案，同时我们也可以通过图 4.1的深度学习框架热度对比看出，Keras使用人数也是非常多的，仅次于Tensorflow。

因此，为了能够用最快的速度写出最优雅的代码，笔者在这推荐大家使用Keras。本书大部分深度学习代码均基于Keras神经网络框架编写。

4.1.1 Keras优点

1. 允许简单快速的原型设计（用户友好性，模块化和可扩展性）。

2. 支持卷积网络和循环网络，以及两者的组合。

3. 在CPU和GPU上无缝运行

4.1.2 Keras缺点

Keras比较注重网络层次，然而并非所有网络都是层层堆叠的，后面笔者的深度学习代码会涉及遗传算法与神经网络，这种网络就不是特别的规整，因此Keras在设计新的网络方面会比Tensorflow差一些。因此本书一些比较简单的实验均由keras完成，而一些高阶实验，我们则通过Tensorflow去完成。

4.1.3 Keras 安装

Keras比较注重网络层次，然而并非所有网络都是层层堆叠的，后面笔者的深度学习代码会涉及遗传算法与神经网络，这种网络就不是特别的规整，因此Keras在设计新的网络方面会比Tensorflow差一些。因此本书一些比较简单的实验均由keras完成，而一些高阶实验，我们则通过Tensorflow去完成。

  # GPU版本  
  conda install keras-gpu  
   
  # CPU版本  
  conda install keras   

下一期，我们将讲授

深度学习中的全连接神经网络

敬请期待~

喜欢请点赞~

关注我的微信公众号【阿力阿哩哩的炼丹日常】~不定期更新相关专业知识~