摘要：作为神经网络的高端包装，Keras可以快速构建神经网络。它的兼容性非常宽，并且与TensorFlow和Theano兼容。
Keras是Python撰写的开源人工神经网络库，可用作深度学习模型设计，调试，评估，应用和可视化深度学习的高端应用接口和Tensorflow的高端应用接口和TheanoModels.its的主要开发人员是Google EngineerFran?oisChollet。
KERAS由代码结构中的面向对象的方法编译。它是完全模块化的，具有可扩展性。其操作机制和描述文档很难纳入用户体验和使用，并试图简化复杂算法的实现。它还可以通过包装参与统计学习模型的构建。在硬件和开发环境方面，KERAS在多操作系统下支持多GPU并行计算，可以将其转换为背景设置下的组件，从CNTK和其他组件。
作为神经网络的高端包装，Keras可以快速建立神经网络。它的兼容性非常宽，并且与TensorFlow和Theano兼容。
首先，您需要确保已安装以下两个软件包：
调用“ PIP3LIST”命令可以看到已成功安装了相关软件包。
然后通过“ Pip3Install keras”安装它，作者在Anaconda下使用Python3.6版本。
有关施工过程的详细信息，请参阅本文：
[Python人工智能]。张力流环境和神经网络的进入
安装如下所示：
安装成功后，我们尝试一个简单的代码。打开Anaconda，然后选择已构建的“ Tensorflow”环境，然后运行Spyder。
测试代码如下：
运行结果如下图所示，“使用TensorFlow Backnd”是什么。意思是？
后端是指基于框架（包括Tensorflow或Theano）的操作，上面的代码用于使用TensorFlow进行计算。稍后要解释的神经网络也基于Tensorflow或Theano构建。
如何查看后端？当我们导入KERAS扩展程序包时，它将具有相应的提示。例如，下图使用Theano来构建基础神经网络。
如果我想更改为TensorFlow，该怎么办？
仍然有必要普及此部分的这一部分。指在NetEase Cloud课程中引入NetEases Cloud课程时，清楚而彻底。建议每个人都阅读它。让我们进入神经网络和张力流的世界。
首先，什么是神经网络？
计算机神经网络是一种抗生素网络或动物神经中心，尤其是大脑的结构和功能。它是数学模型或计算机模型。神经网络通过大量神经元连接并计算出来。在大多数情况下，人工神经网络可以根据外部信息来改变内部结构，这是一个自适应过程。
现代神经网络是基于传统统计建模的工具。它通常用于建模输入和输出之间的复杂关系，或探索数据之间的模式。神经网络是一种操作模型。Yuan及其连接组成都有大量的节点或神经。就像人类神经元一样，它们负责传输信息和处理信息。神经元也可以接受训练或加强以形成固定神经形式，对特殊信息具有更强的反应。
神经网络如何工作？
如上图所示，这是猫跳还是悄悄地思考，您知道这是一只猫，因为您的大脑被告知圆形的眼睛，毛茸茸和尖锐的耳朵被告知是猫。您可以通过成熟的视觉神经系统判断这是一只猫。计算机也是如此。通过连续训练，它告诉哪些猫，狗是狗和猪。他们将通过数学模型总结这些学习判断，并最终以数学的形式进行分类（0或1）。在现在，Google和Baidu的图片搜索可以清楚地识别出事情，这要归功于计算机神经系统的快速发展。
神经网络系统由多层神经层组成。为了区分不同的神经层，我们分为：
神经网络示例描述
如下图所示，一般来说，处理的事物与人类不同的事情与人类不同。无论是声音，图片还是文本，它们都只能出现在数字0或1的计算机神经网络中。神经网络看到的图片实际上是一堆数字。数字的处理最终产生了另一个数字，并且具有一定的认知意义。可以了解到，计算机是通过少量处理来决定的。还有一只狗。
如何计算机培训？
首先，需要大量数据。例如，如果需要计算机来判断它是猫还是狗，则需要准备数千万的标签，然后进行数千万培训。猫通过训练或加强学习猫。
我们需要做的是仅显示计算机的图片，然后让我们给我们一个不成熟和不准确的答案。在100个答案中，有10％是正确的。如果将图片放在计算机上是匆忙的（如下所示），但是计算机可以被识别为狗。尽管它标识了错误，但此错误对于计算机非常有价值。您可以将这种错误经验用作一个。
那么计算机如何学习体验？
这是预测答案的比较和真实答案之间的差异，然后将此差异传递回相反，修改神经元的重量，并将每个神经元更改为正确的方向。计算机识别的准确率将为通过所有改进的神经网络的改进。每次，每次添加数百万次的训练都将朝着正确的方向迈出一大步。
当接受后，当计算机再次显示猫的图片时，它可以正确预测这是猫。
什么是激励功能？
然后看看如何训练神经网络。事实证明，计算机中的每个神经元都具有激励功能（主动功能），我们可以使用这些激励功能使计算机具有刺激性的行为。当我们首先向猫展示猫时第一次，仅在神经网络中激活或激励一些神经元。
如果预测的结果是狗，则将调整所有神经元的参数。目前，一些容易激活的神经元会变得乏味，而其他神经元将变得敏感。元参数正在修改，并且对图片的真实重要信息变得敏感，因此修改后的参数可以逐渐预测正确的答案。这是一只猫。这是神经网络的处理过程。
推荐的上一篇文章：[Python人工智能] 2. TensorFlow Foundation和一个-Yuan线性预测案例，最终输出结果如下所示：
1.进口扩展程序包
顺序（顺序模型）意味着建立一个模型。它是从头到尾的最简单的线性，结构性顺序。浓度是层中的属性，表明完整的连接层。Keras还可以实现各种层，包括核心核心层，卷积卷积层和池池（例如）非常丰富且有趣的网络结构。
2.创建分散的点数据
通过numpy.linspace随机生成200个散射点，并构建y = 0.5*x+2的虚拟数据，并调用np.random.normal.normal（0，0.05，（200，））以增加噪声。
在这里，散点图通过matplotlib简要绘制。输出结果如下图所示，基本上满足：y = 0.5*x + 2 +噪声。
3.添加神经网络层
PS：您是否觉得Keras代码比Tensorflow和Theano简单得多，但是建议您先学习前者，然后深入研究。
4.培训和输出错误
5.测试神经网络和输出误差重量和偏见
6.绘制预测图形
输出结果如下所示：
误差从4.002261下降到0.0030148015，这表明知识是学习的。在同一时间，误差为0.47052705接近我们的初始值0.5，而偏置至1.9944116也接近2。
完整的代码如下：
以下补充代码比较了每个训练阶段的拟合阶段的直线。您可以看到，随着训练数量的增加，错误逐渐减少，拟合线正在越来越好。
本文分享了华为云社区的诚意，作者：Eastmount。