Keras – 深度学习

Keras提供了一个完整的框架来创建任何类型的神经网络。Keras是创新的，也是非常容易学习的。它支持从简单的神经网络到非常大而复杂的神经网络模型。让我们在本章中了解Keras框架的架构以及Keras是如何帮助深度学习的。

Keras的架构

Keras的API可以分为三个主要类别 —

模型
层
核心模块

在Keras中，每个ANN都由 Keras模型 来表示。反过来，每一个Keras模型都是由 Keras层 组成的，代表了ANN的层，如输入层、隐藏层、输出层、卷积层、池化层等，Keras模型和层访问 Keras模块 的激活函数、损失函数、正则化函数等，使用Keras模型、Keras层和Keras模块，任何ANN算法（CNN、RNN等）都可以以简单有效的方式表示。

下图描述了模型、层和核心模块之间的关系-

Keras - 深度学习

让我们看看Keras模型、Keras层和Keras模块的概况。

模型

Keras模型有两种类型，如下所述

序列模型 – 序列模型基本上是Keras层的线性组合。顺序模型是简单的，最小的，并且有能力代表几乎所有可用的神经网络。

一个简单的顺序模型如下

from keras.models import Sequential 
from keras.layers import Dense, Activation 

model = Sequential()  
model.add(Dense(512, activation = 'relu', input_shape = (784,)))

其中、

第1行 从Keras模型中导入序列模型
第 2行 导入密集层和激活模块
第 4行 使用 Sequential API创建一个新的顺序模型
第 5行 添加一个密集层（Dense API），并添加 relu activation（使用Activation模块）功能。

顺序模型也暴露了 Model 类来创建自定义模型。我们可以使用子类的概念来创建我们自己的复杂模型。

功能性API - 功能性API基本上用于创建复杂的模型。

层

Keras模型中的每个Keras层都代表实际提出的神经网络模型中的相应层（输入层、隐藏层和输出层）。Keras提供了很多预建层，这样就可以轻松创建任何复杂的神经网络。一些重要的Keras层规定如下、

核心层
卷积层
池化层
递归层

一个简单的python代码来表示一个使用顺序模型的神经网络模型，如下所示

from keras.models import Sequential 
from keras.layers import Dense, Activation, Dropout model = Sequential() 

model.add(Dense(512, activation = 'relu', input_shape = (784,))) 
model.add(Dropout(0.2)) 
model.add(Dense(512, activation = 'relu')) model.add(Dropout(0.2)) 
model.add(Dense(num_classes, activation = 'softmax'))

其中、