終於！Keras官方中文版文件正式釋出了

今年 1 月 12 日，Keras 作者 François Chollet‏ 在推特上表示因為中文讀者的廣泛關注，他已經在 GitHub 上展開了一個 Keras 中文文件專案。而昨日，François Chollet‏ 再一次在推特上表示 Keras 官方文件已經基本完成！他非常感謝翻譯和校對人員兩個多月的不懈努力，也希望 Keras 中文使用者能繼續幫助提升文件質量。

• Keras 官方文件：https://keras.io/zh/
• Keras 第三方文件：http://keras-cn.readthedocs.io/en/latest/

• 允許簡單而快速的原型設計（使用者友好，高度模組化，可擴充套件性）。
• 同時支援卷積神經網路和迴圈神經網路，以及兩者的組合。
• 在 CPU 和 GPU 上無縫執行與切換。

快速開始：30 秒上手 Keras

from keras.models import Sequential

model = Sequential()複製程式碼

from keras.layers import Dense

model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))複製程式碼

model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])複製程式碼

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))複製程式碼

# x_train and y_train are Numpy arrays --just like in the Scikit-Learn API.
model.fit(x_train, y_train, epochs=5, batch_size=32)複製程式碼

model.train_on_batch(x_batch, y_batch)複製程式碼

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)複製程式碼

classes = model.predict(x_test, batch_size=128)複製程式碼

使用簡介

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

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])複製程式碼

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))複製程式碼

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD

# 生成虛擬資料
import numpy as np
x_train = np.random.random((1000, 20))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
x_test = np.random.random((100, 20))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)

model = Sequential()
# Dense(64) 是一個具有 64 個隱藏神經元的全連線層。
# 在第一層必須指定所期望的輸入資料尺寸，在這裡是一個 20 維的向量。
model.add(Dense(64, activation='relu', input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy'])

model.fit(x_train, y_train,
          epochs=20,
          batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)複製程式碼

from keras.layers import Input, Embedding, LSTM, Dense
from keras.models import Model

# 標題輸入：接收一個含有 100 個整數的序列，每個整數在 1 到 10000 之間。
# 注意我們可以通過傳遞一個 `name` 引數來命名任何層。
main_input = Input(shape=(100,), dtype='int32', name='main_input')

# Embedding 層將輸入序列編碼為一個稠密向量的序列，每個向量維度為 512。
x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)

# LSTM 層把向量序列轉換成單個向量，它包含整個序列的上下文資訊
lstm_out = LSTM(32)(x)

auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)

auxiliary_input = Input(shape=(5,), name='aux_input')
x = keras.layers.concatenate([lstm_out, auxiliary_input])

# 堆疊多個全連線網路層
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)

# 最後新增主要的邏輯迴歸層
main_output = Dense(1, activation='sigmoid', name='main_output')(x)

model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])

model.compile(optimizer='rmsprop', loss='binary_crossentropy',
              loss_weights=[1., 0.2])


model.fit([headline_data, additional_data], [labels, labels],
          epochs=50, batch_size=32)

model.compile(optimizer='rmsprop',
              loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},
              loss_weights={'main_output': 1., 'aux_output': 0.2})

# 然後使用以下方式訓練：
model.fit({'main_input': headline_data, 'aux_input': additional_data},
          {'main_output': labels, 'aux_output': labels},
          epochs=50, batch_size=32)複製程式碼

Keras 模型

• model.summary(): 列印出模型概述資訊。它是 utils.print_summary 的簡捷呼叫。
• model.get_config(): 返回包含模型配置資訊的字典。通過以下程式碼，就可以根據這些配置資訊重新例項化模型：

config = model.get_config()
model = Model.from_config(config)
# or, for Sequential:
model = Sequential.from_config(config)複製程式碼

• model.get_weights(): 返回模型權重的張量列表，型別為 Numpy array。
• model.set_weights(weights): 從 Nympy array 中為模型設定權重。列表中的陣列必須與 get_weights() 返回的權重具有相同的尺寸。
• model.to_json(): 以 JSON 字串的形式返回模型的表示。請注意，該表示不包括權重，只包含結構。你可以通過以下程式碼，從 JSON 字串中重新例項化相同的模型（帶有重新初始化的權重）：

from keras.models import model_from_json

json_string = model.to_json()
model = model_from_json(json_string)複製程式碼

• model.to_yaml(): 以 YAML 字串的形式返回模型的表示。請注意，該表示不包括權重，只包含結構。你可以通過以下程式碼，從 YAML 字串中重新例項化相同的模型（帶有重新初始化的權重）：

from keras.models import model_from_yaml

yaml_string = model.to_yaml()
model = model_from_yaml(yaml_string)複製程式碼

• model.save_weights(filepath): 將模型權重儲存為 HDF5 檔案。
• model.load_weights(filepath, by_name=False): 從 HDF5 檔案（由 save_weights 建立）中載入權重。預設情況下，模型的結構應該是不變的。如果想將權過載入不同的模型（部分層相同），設定 by_name=True 來載入那些名字相同的層的權重。

Keras 層級

• layer.get_weights(): 以 Numpy 矩陣的形式返回層的權重。
• layer.set_weights(weights): 從 Numpy 矩陣中設定層的權重（與 get_weights 的輸出形狀相同）。
• layer.get_config(): 返回包含層配置的字典。此圖層可以通過以下方式重置：

layer = Dense(32)
config = layer.get_config()
reconstructed_layer = Dense.from_config(config)複製程式碼

• layer.input
• layer.output
• layer.input_shape
• layer.output_shape

• layer.get_input_at(node_index)
• layer.get_output_at(node_index)
• layer.get_input_shape_at(node_index)
• layer.get_output_shape_at(node_index)