1.keras概述
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
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的主要开发者是谷歌工程师Francois Chollet，此外其GitHub项目页面包含6名主要维护者和超过800名直接贡献者 。Keras在其正式版本公开后，除部分预编译模型外，按MIT许可证开放源代码。
2.keras优势
Keras 是一个用于构建和训练深度学习模型的高阶 API。它可用于快速设计原型、高级研究和生产，具有以下三个主要优势：
方便用户使用
Keras 具有针对常见用例做出优化的简单而一致的界面。它可针对用户错误提供切实可行的清晰反馈。
模块化和可组合
将可配置的构造块连接在一起就可以构建 Keras 模型，并且几乎不受限制。
易于扩展
可以编写自定义构造块以表达新的研究创意，并且可以创建新层、损失函数并开发先进的模型。
3.Keras常用接口
tf.keras:
Datasets
Estimator
Layers
Losses
Metrics
Preprocessing
Optimizers
3.1.tf.keras.datasets
keras中内置的数据集，例如：boston_housing, mnist, cifar10。
3.2.tf.keras.estimator:
一种极大地简化机器学习编程的高阶TensorFlow API，Estimator会封装的操作有：训练、评估、预测、导出。主要功能是model_to_estimator: Estimator根据给定的Keras模型构造一个实例：
tf.keras.estimator.model_to_estimator()
3.3.tf.keras.layers
网络层封装了变量和作用其上的操作。比如（全连接层)对输入进行一个加权求和的操作，并且可以作用一个可选择的激活函数。连接的权重和偏置都由网络层对象来管理。
3.4.tf.keras.losses
内置损耗功能。包括计算标签与预测之间的二进制交叉熵损失、误差平方的损失、绝对百分比误差等等。
3.5.tf.keras.metrics
内置指标。主要包括的类有方法有：mean, Accuracy, Recall等。
keras数据预处理工具。
3.7.tf.keras.optimizers
内置优化器类。 包含Adam, Adadelta, SGD等优化器类。
4.快速入门
import tensorflow as tf
#tensorflow2.0 使用keras一般通过tensorflow.keras来使用，但是pycharm没有提示，原因是因为实际的keras路径放在tensorflow/python/keras，但是在程序中tensorflow有没有python这个目录，解决方法如下
try:
import tensorflow.keras as keras
except:
import tensorflow.python.keras as keras
#这样pycharm既可以有提示，同时也不需要在程序运行的时候修改代码了。非常完美的解决手段，当然如果你不适用ide就不需要这些东西了。
# print(tf.__version__)
# print(keras.__version__)
import numpy as np
# 在Keras中，您可以组装图层来构建模型。 模型（通常）是图层图。 最常见的模型类型是一堆层：tf.keras.Sequential 模型。构建一个简单的全连接网络（即多层感知器）：
#构建好模型后，通过调用 compile 方法配置该模型的学习流程：
model = keras.Sequential()
# Dense函数参数
# units: 正整数，输出空间维度。
# activation: 激活函数 (详见 activations)。 若不指定，则不使用激活函数 (即，「线性」激活: a(x) = x)。
# use_bias: 布尔值，该层是否使用偏置向量。
# kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
# bias_initializer: 偏置向量的初始化器 (see initializers).
# kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
# bias_regularizer: 运用到偏置向的的正则化函数 (详见 regularizer)。
# activity_regularizer: 运用到层的输出的正则化函数 (它的 "activation")。 (详见 regularizer)。
# kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
# bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。
model.add(keras.layers.Dense(32, activation='relu'))
model.add(keras.layers.Dense(32, activation='relu'))
model.add(keras.layers.Dense(10, activation='softmax'))
model.compile(optimizer=keras.optimizers.Adam(0.001),
loss=keras.losses.categorical_crossentropy,
metrics=[keras.metrics.categorical_accuracy])
#输入numpy数据
# 对于小的数据集，可以直接使用 NumPy 格式的数据进行训练、评估模型。模型使用 fit 方法训练数据：
# tf.keras.Model.fit 有三个重要的参数：
# • epochs：训练多少轮。（小批量）
# • batch_size：当传递NumPy数据时，模型将数据分成较小的批次，并在训练期间迭代这些批次。 此整数指定每个批次的大小。 请注意，如果样本总数不能被批量大小整除，则最后一批可能会更小。
# • validation_data：在对模型进行原型设计时，您希望轻松监控其在某些验证数据上的性能。 传递这个参数 - 输入和标签的元组 - 允许模型在每个epoch的末尾以传递数据的推理模式显示损失和度量。
train_x = np.random.random((1000, 72))
train_y = np.random.random((1000, 10))
val_x = np.random.random((200, 72))
val_y = np.random.random((200, 10))
model.fit(train_x, train_y, epochs=10, batch_size=100,validation_data=(val_x, val_y))
print(train_x)
print(train_y)
#tf.data输入数据
# 使用数据集API可扩展到大型数据集或多设备培训。 将tf.data.Dataset实例传递给fit方法。使用 Datasets API 可扩展到大型数据集或多设备训练
dataset = tf.data.Dataset.from_tensor_slices((train_x, train_y))
dataset = dataset.batch(32)
dataset = dataset.repeat()
val_dataset = tf.data.Dataset.from_tensor_slices((val_x, val_y))
val_dataset = val_dataset.batch(32)
val_dataset = val_dataset.repeat()
model.fit(dataset, epochs=10, steps_per_epoch=30,
validation_data=val_dataset, validation_steps=3)
#评估与预测
test_x = np.random.random((1000, 72))
test_y = np.random.random((1000, 10))
model.evaluate(test_x, test_y, batch_size=32)
test_data = tf.data.Dataset.from_tensor_slices((test_x, test_y))
test_data = test_data.batch(32).repeat()
model.evaluate(test_data, steps=30)
# predict
result = model.predict(test_x, batch_size=32)
print(result)
