Keras是一个开源的高层神经网络API，由纯Python编写而成，其后端可以基于Tensorflow、Theano、MXNet以及CNTK。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果。Keras适用的Python版本是：Python .-.。 Keras，在希腊语中意为“角”（horn），于年月份第一次发行，它可以在Windows, Linux, Mac等系统中运行。那么，既然有了TensorFlow（或Theano、MXNet、CNTK），为什么还需要Keras呢？这是因为，尽管我们可以用TensorFlow等来创建深度神经网络系统，但Tensorflow等使用相对低级的抽象，直接编写TensorFlow代码具有一定的挑战性，而Keras在TensorFlow的基础上，增加了较易使用的抽象层，使用起来更加简单、高效。
什么样的场合适合用Keras呢？如果你有如下需求，请选择Keras：
简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
支持CNN和RNN，或二者的结合
无缝CPU和GPU切换
如果想用在你的电脑上使用Keras，需要以下工具：
Python
TensorFlow
Keras
在这里，我们选择TensorFlow作为Keras的后端工具。使用以下Python代码，可以输出Python、TensorFlow以及Keras的版本号：
import sysimport keras as Kimport tensorflow as tfpy_ver = sys.versionk_ver = K.__version__tf_ver = tf.__version__print("Using Python version " + str(py_ver))print("Using Keras version " + str(k_ver))print("Using TensorFlow version " + str(tf_ver))在笔者的电脑上，输出的结果如下：
Using TensorFlow backend.Using Python version .. (v..:acee, Dec , ::) [MSC v. bit (AMD)]Using Keras version ..Using TensorFlow version ..
下面，笔者将使用IRIS数据集（鸢尾花数据集，一个经典的机器学习数据集，适合作为多分类问题的测试数据），使用Keras搭建一个深度神经网络（DNN），来解决IRIS数据集的多分类问题，作为Keras入门的第一个例子。
IRIS数据集（鸢尾花数据集），是一个经典的机器学习数据集，适合作为多分类问题的测试数据，它的下载地址为：
http://archive.ics.uci.edu/ml/machine-learning-databases/iris/。
IRIS数据集是用来给鸢尾花做分类的数据集，一共个样本，每个样本包含了花萼长度（sepal length in cm）、花萼宽度（sepal width in cm）、花瓣长度（petal length in cm）、花瓣宽度（petal width in cm）四个特征，将鸢尾花分为三类，分别为Iris Setosa，Iris Versicolour，Iris Virginica，每一类都有个样本。
IRIS数据集具体如下（只展示部分数据，顺序已打乱）：
IRIS数据集（部分）
iris数据集预览
笔者的IRIS数据集以csv格式储存，笔者将使用Pandas来读取IRIS数据集，并对目标变量进行-编码（One-hot Encoding），最后将该数据集分为训练集和测试集，比例为:。完整的Python代码如下：
import pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import LabelBinarizer# 读取CSV数据集，并拆分为训练集和测试集# 该函数的传入参数为CSV_FILE_PATH: csv文件路径def load_data(CSV_FILE_PATH): IRIS = pd.read_csv(CSV_FILE_PATH) target_var = &#;class&#; # 目标变量 # 数据集的特征 features = list(IRIS.columns) features.remove(target_var) # 目标变量的类别 Class = IRIS[target_var].unique() # 目标变量的类别字典 Class_dict = dict(zip(Class, range(len(Class)))) # 增加一列target, 将目标变量进行编码 IRIS[&#;target&#;] = IRIS[target_var].apply(lambda x: Class_dict[x]) # 对目标变量进行-编码(One-hot Encoding) lb = LabelBinarizer() lb.fit(list(Class_dict.values())) transformed_labels = lb.transform(IRIS[&#;target&#;]) y_bin_labels = [] # 对多分类进行-编码的变量 for i in range(transformed_labels.shape[]): y_bin_labels.append(&#;y&#; + str(i)) IRIS[&#;y&#; + str(i)] = transformed_labels[:, i] # 将数据集分为训练集和测试集 train_x, test_x, train_y, test_y = train_test_split(IRIS[features], IRIS[y_bin_labels], train_size=., test_size=., random_state=) return train_x, test_x, train_y, test_y, Class_dict
接下来，笔者将展示如何利用Keras来搭建一个简单的深度神经网络（DNN）来解决这个多分类问题。我们要搭建的DNN的结构如下图所示：
DNN结构图
我们搭建的DNN由输入层、隐藏层、输出层和softmax函数组成，其中输入层由个神经元组成，对应IRIS数据集中的个特征，作为输入向量，隐藏层有两层，每层分别有和个神经元，之后就是输出层，由个神经元组成，对应IRIS数据集的目标变量的类别个数，最后，就是一个softmax函数，用于解决多分类问题而创建。
对应以上的DNN结构，用Keras来搭建的话，其Python代码如下：
import keras as K # . 定义模型 init = K.initializers.glorot_uniform(seed=) simple_adam = K.optimizers.Adam() model = K.models.Sequential() model.add(K.layers.Dense(units=, input_dim=, kernel_initializer=init, activation=&#;relu&#;)) model.add(K.layers.Dense(units=, kernel_initializer=init, activation=&#;relu&#;)) model.add(K.layers.Dense(units=, kernel_initializer=init, activation=&#;softmax&#;)) model.compile(loss=&#;categorical_crossentropy&#;, optimizer=simple_adam, metrics=[&#;accuracy&#;])
在这个模型中，我们选择的神经元激活函数为ReLU函数，损失函数为交叉熵（cross entropy），迭代的优化器（optimizer）选择Adam，最初各个层的连接权重（weights）和偏重（biases）是随机生成的。这样我们就讲这个DNN的模型定义完毕了。这么简单？Yes, that&#;s it!
OK，定义完模型后，我们需要对模型进行训练、评估及预测。对于模型训练，我们每次训练的批数为，共迭代次，代码如下（接以上代码）：
# . 训练模型 b_size = max_epochs = print("Starting training ") h = model.fit(train_x, train_y, batch_size=b_size, epochs=max_epochs, shuffle=True, verbose=) print("Training finished
")为了对模型有个评估，感知模型的表现，需要输出该DNN模型的损失函数的值以及在测试集上的准确率，其Python代码如下（接以上代码）：
# . 评估模型 eval = model.evaluate(test_x, test_y, verbose=) print("Evaluation on test data: loss = %.f accuracy = %.f%%
" % (eval[], eval[] * ) )训练次，输出的结果如下（中间部分的训练展示已忽略）：
Starting training Epoch / / [..............................] - ETA: s - loss: . - acc: . / [===========>..................] - ETA: s - loss: . - acc: . / [========================>.....] - ETA: s - loss: . - acc: ./ [==============================] - s ms/step - loss: . - acc: .Epoch / / [..............................] - ETA: s - loss: . - acc: . / [===========>..................] - ETA: s - loss: . - acc: . / [=========================>....] - ETA: s - loss: . - acc: ./ [==============================] - s ms/step - loss: . - acc: .......Epoch / / [..............................] - ETA: s - loss: . - acc: . / [===========>..................] - ETA: s - loss: . - acc: . / [=======================>......] - ETA: s - loss: . - acc: ./ [==============================] - s ms/step - loss: . - acc: .Epoch / / [..............................] - ETA: s - loss: . - acc: .e+ / [=============>................] - ETA: s - loss: . - acc: . / [===========================>..] - ETA: s - loss: . - acc: ./ [==============================] - s ms/step - loss: . - acc: .Training finished Evaluation on test data: loss = . accuracy = .%
可以看到，训练完次后，在测试集上的准确率已达到.%，效果相当好。
最后是对新数据集进行预测，我们假设一朵鸢尾花的个特征为.,.,.,.，我们想知道这个DNN模型会把它预测到哪一类，其Python代码如下：
import numpy as np # . 使用模型进行预测 np.set_printoptions(precision=) unknown = np.array([[., ., ., .]], dtype=np.float) predicted = model.predict(unknown) print("Using model to predict species for features: ") print(unknown) print("
Predicted softmax vector is: ") print(predicted) species_dict = {v:k for k,v in Class_dict.items()} print("
Predicted species is: ") print(species_dict[np.argmax(predicted)])输出的结果如下：
Using model to predict species for features: [[ . . . .]]Predicted softmax vector is: [[ .e- .e- .e-]]Predicted species is: versicolor
如果我们仔细地比对IRIS数据集，就会发现，这个预测结果令人相当满意，这个鸢尾花样本的预测结果，以人类的眼光来看，也应当是versicolor。
到此为止，笔者就把这个演示例子给讲完了，作为入门Keras的第一步，这个例子还是可以的。回顾该模型，首先我们利用Pandas读取IRIS数据集，并分为训练集和测试集，然后用Keras搭建了一个简单的DNN模型，并对该模型进行训练及评估，最后看一下该模型在新数据集上的预测能力。从中，读者不难体会到Keras的优越性，因为，相比TensorFlow,搭建同样的DNN模型及模型训练、评估、预测，其Python代码无疑会比Keras来得长。
最后，附上该DNN模型的完整Python代码：
# iris_keras_dnn.py# Python .., TensorFlow .., Keras ..# ========================================================# 导入模块import osimport numpy as npimport keras as Kimport tensorflow as tfimport pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import LabelBinarizeros.environ[&#;TF_CPP_MIN_LOG_LEVEL&#;]=&#;&#;# 读取CSV数据集，并拆分为训练集和测试集# 该函数的传入参数为CSV_FILE_PATH: csv文件路径def load_data(CSV_FILE_PATH): IRIS = pd.read_csv(CSV_FILE_PATH) target_var = &#;class&#; # 目标变量 # 数据集的特征 features = list(IRIS.columns) features.remove(target_var) # 目标变量的类别 Class = IRIS[target_var].unique() # 目标变量的类别字典 Class_dict = dict(zip(Class, range(len(Class)))) # 增加一列target, 将目标变量进行编码 IRIS[&#;target&#;] = IRIS[target_var].apply(lambda x: Class_dict[x]) # 对目标变量进行-编码(One-hot Encoding) lb = LabelBinarizer() lb.fit(list(Class_dict.values())) transformed_labels = lb.transform(IRIS[&#;target&#;]) y_bin_labels = [] # 对多分类进行-编码的变量 for i in range(transformed_labels.shape[]): y_bin_labels.append(&#;y&#; + str(i)) IRIS[&#;y&#; + str(i)] = transformed_labels[:, i] # 将数据集分为训练集和测试集 train_x, test_x, train_y, test_y = train_test_split(IRIS[features], IRIS[y_bin_labels], train_size=., test_size=., random_state=) return train_x, test_x, train_y, test_y, Class_dictdef main(): # . 开始 print("
Iris dataset using Keras/TensorFlow ") np.random.seed() tf.set_random_seed() # . 读取CSV数据集 print("Loading Iris data into memory") CSV_FILE_PATH = &#;E://iris.csv&#; train_x, test_x, train_y, test_y, Class_dict = load_data(CSV_FILE_PATH) # . 定义模型 init = K.initializers.glorot_uniform(seed=) simple_adam = K.optimizers.Adam() model = K.models.Sequential() model.add(K.layers.Dense(units=, input_dim=, kernel_initializer=init, activation=&#;relu&#;)) model.add(K.layers.Dense(units=, kernel_initializer=init, activation=&#;relu&#;)) model.add(K.layers.Dense(units=, kernel_initializer=init, activation=&#;softmax&#;)) model.compile(loss=&#;categorical_crossentropy&#;, optimizer=simple_adam, metrics=[&#;accuracy&#;]) # . 训练模型 b_size = max_epochs = print("Starting training ") h = model.fit(train_x, train_y, batch_size=b_size, epochs=max_epochs, shuffle=True, verbose=) print("Training finished
") # . 评估模型 eval = model.evaluate(test_x, test_y, verbose=) print("Evaluation on test data: loss = %.f accuracy = %.f%%
" % (eval[], eval[] * ) ) # . 使用模型进行预测 np.set_printoptions(precision=) unknown = np.array([[., ., ., .]], dtype=np.float) predicted = model.predict(unknown) print("Using model to predict species for features: ") print(unknown) print("
Predicted softmax vector is: ") print(predicted) species_dict = {v:k for k,v in Class_dict.items()} print("
Predicted species is: ") print(species_dict[np.argmax(predicted)])main()Keras中文文档： https://keras-cn.readthedocs.io/en/latest/
Keras Succinctly: http://ebooks.syncfusion.com/downloads/keras-succinctly/keras-succinctly.pdf?AWSAccessKeyId=AKIAJWGZFZHAREQ&Expires=&Signature=rqJ%BPKUEUWMObSLd%Flkqw%D
IRIS数据集： http://archive.ics.uci.edu/ml/machine-learning-databases/iris/
