1. 為何要用Keras
如今在這個深度學(xué)習(xí)大火的時候，第三方工具也層出不窮血淌，比較出名的有Tensorflow顽馋，Caffe谓厘，Theano，MXNet寸谜，在如此多的第三方框架中頻繁的更換無疑是很低效的竟稳，只要你能夠好好掌握好其中一個框架，熟悉其原理熊痴，那么之后因?yàn)楦鞣N要求你想要更換框架也是很容易的他爸。
那么sherlock用的是哪個框架呢？sherlock使用的是Google的開源框架Tensorflow果善，因?yàn)镚oogle開源了tensorflow之后其社區(qū)非痴矬裕活躍，而且版本更新也非常穩(wěn)定巾陕，所以我就選擇了這個框架盏混。對于框架之爭，在知乎上已經(jīng)有很多人在撕逼了惜论，這個就好比哪種編程語言好這個問題一樣许赃。對于我們來講，選擇一個穩(wěn)定的框架馆类，好好的學(xué)習(xí)deep learning才是重中之重混聊，對于哪種框架更好的問題，我們學(xué)好之后自然有自己的見解乾巧，所以前期切忌在刷知乎聽完大神撕逼之后頻繁更換框架句喜。
對于Tensorflow的安裝，以及CPU和GPU版本沟于，各種系統(tǒng)的安裝網(wǎng)上已經(jīng)有很多人詳細(xì)的寫過攻略了咳胃，可以自己去網(wǎng)上搜一搜，很容易就可以安裝成功旷太。
那么我們選擇了Tensorflow之后展懈，我們就可以愉快的開始我們的深度學(xué)習(xí)之旅了销睁。去Tensorflow的中文社區(qū)，可以看到有一些新手教程存崖，網(wǎng)上也有很多學(xué)習(xí)材料冻记，推薦看看stanford大學(xué)cs224d的課件，http://cs224d.stanford.edu/lectures/CS224d-Lecture7.pdf来惧， 很詳細(xì)的介紹了tensorflow冗栗。然后你就可以寫tensorflow的程序了。雖然說tensorflow已經(jīng)是一個封裝好的框架供搀，但是你發(fā)現(xiàn)你寫一個簡單的神經(jīng)網(wǎng)絡(luò)也需要很多行才能夠?qū)懲暧缇樱@個時候，就有很多的第三方插架來幫助你寫網(wǎng)絡(luò)葛虐，也就是說你用tensorflow要寫10行胎源，第三方插架幫你封裝了一個函數(shù)，就是把這10行集合在這個函數(shù)里面挡闰，那么你用1行，傳入相同的參數(shù)掰盘，就能夠達(dá)到10行相同的效果摄悯，如此簡便并且節(jié)約時間，可以幫助我們很快的實(shí)現(xiàn)我們的想法愧捕。
https://keras.io/ 這個就是Keras的官方文檔奢驯，里面可以查閱所有的函數(shù)，并且可以在github上看他的開源代碼次绘，非常方便瘪阁。安裝也很簡單，打開終端邮偎，輸入pip install keras 就可以等待安裝了管跺。
下面就給一個簡單的例子，來看一看Keras到底有多簡單禾进。
from keras.models import Sequential
model = Sequential()
引入sequential豁跑，這個就是一個空的網(wǎng)絡(luò)結(jié)構(gòu)，并且這個結(jié)構(gòu)是一個順序的序列泻云，所以叫Sequential艇拍，Keras里面還有一些其他的網(wǎng)絡(luò)結(jié)構(gòu)。
from keras.layers import Dense, Activation
model.add(Dense(units=64, input_dim=100))
model.add(Activation('relu'))
model.add(Dense(units=10))
model.add(Activation('softmax'))
可以看到加入層很簡單宠纯，只需要寫.add卸夕，后面是要加的層的類型。
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metrics=['accuracy'])
一旦你寫好了網(wǎng)絡(luò)之后婆瓜，就可以用compile編譯整個網(wǎng)絡(luò)快集，看參數(shù)設(shè)置有沒有問題
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))
你也可以自定義其中的優(yōu)化函數(shù)，就像上面這樣，'sgd'是Keras已經(jīng)寫好了一些默認(rèn)參數(shù)的優(yōu)化函數(shù)碍讨，你可以自己重新定義參數(shù)治力，得到一個優(yōu)化函數(shù)。
model.fit(x_train, y_train, epochs=5, batch_size=32)
這個就像scikit-learn一樣訓(xùn)練模型勃黍。
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
這個就是評估訓(xùn)練結(jié)果宵统。
classes = model.predict(x_test, batch_size=128)
或者是通過predict進(jìn)行預(yù)測。
看了上面的代碼覆获，相信很多熟悉scikit-learn的同學(xué)都很親切马澈，因?yàn)榇_實(shí)很簡便，跟scikit-learn也有著類似的語法弄息。
通過上面的例子痊班，配置了我們學(xué)習(xí)深度學(xué)習(xí)的環(huán)境，下次的文章將開始學(xué)習(xí)CNN摹量。
