原文：
www.kdnuggets.com/2017/10/seven-steps-deep-learning-keras.html
神经网络框架、库和 API 的选择并不缺乏，对于任何有兴趣开始深度学习的人来说都是如此。那么... 为什么选择 Keras？
Keras 是一个高级神经网络 API，帮助引领深度学习和人工智能的商品化。它运行在许多低级库之上，作为后端使用，包括 TensorFlow、Theano、CNTK 和 PlaidML。Keras 代码是可移植的，这意味着你可以使用 Theano 作为后端在 Keras 中实现一个神经网络，然后指定后端为 TensorFlow，代码无需进一步更改。数据科学家和机器学习专家 Charles Martin 总结了 这句话（在回应该帖子时）：
我们已经可以使用这些算法超过 10 年了。虽然不是很容易获得，但对于一个优秀的黑客来说还是可以访问的。在我看来，最重要的进展来自 Google Keras，它将非常强大、现代的 AI 算法商品化，而这些算法之前不仅无法获得，还被认为是不可用的。
Keras 是一个易于使用的神经网络库，促进了简单而直观的语法。它还面向神经网络技术的使用者而非开发者，至少在某种程度上是这样。这两个群体之间的界限并不十分明确；到底什么构成了机器学习算法的设计与实现，什么又算是修改已经准备好的算法呢？这有点像“先有鸡还是先有蛋”的问题，并不适合在这里讨论。然而，我会主张，或许比其他任何已建立的主流神经网络库更适合于数据科学实践的是 Keras。事实上，我认为 Keras 是任何使用神经网络的数据科学家工具箱中的一个重要工具。
本教程旨在让你尽快熟悉 Keras，使你能够迅速上手。如果你已经熟悉神经网络，这并不是特别困难的任务。为此，理解神经网络是首选——尽管第一步中会简要介绍——以及对其他机器学习框架的一些经验。除此之外，不需要对 Keras 有特定的经验。
本文汇集了一些神经网络“入门”资源。
首先，Keras 到底是什么？为何不直接从项目网站了解？阅读整个主页（这只需几分钟），特别注意“30 秒了解 Keras”，这应该足以让你了解 Keras 的简单易用。
当前主要版本的 Keras 发布说明（写作时的版本）可以在这里找到。花几分钟时间阅读它们：
DataCamp 的 Karlijn Willems 创建了一个方便的 Keras 备忘单，我推荐你下载并随时查阅。即使有些内容可能现在还不太明白，但很快你就会明白，这个参考资料无疑会很有用。我桌上就有一份打印版。
- Keras 备忘单，作者：Karlijn Willems
最后也是最重要的，要熟悉 Keras 文档，它非常优秀并且解释了所有内容。请将其收藏。
Valerio Maggio 在 2017 年 PyData 伦敦大会上做了一个精彩的教程演讲，标题为“十步走向 Keras”。要深入了解 Keras 是什么、它与其他库的比较，以及如何使用它来完成任务，请花 90 分钟观看这个视频。绝对值得花时间来全面了解 Keras。
然后查看以下几页文档，以了解 Keras 如何进行模型实现。
如果你仍然对为何选择 Keras 而非 TensorFlow 存有疑问（你没有观看视频，对吧？），请阅读此文：
- TensorFlow 还是 Keras？我应该学习哪个？，作者：Aakash Nain
最后，关于如何更改 Keras 后端的信息，请参阅以下文档页面：
让我们做一件每个人在开始使用新的深度学习库时都会做的事情：实现一个简单的逻辑回归模型。
如果你在前一步中观看了 Valerio 的视频，那么你可能已经获得了所需的信息。如果没有，请参考他在讲座中的笔记本。理想情况下，你应阅读整篇内容，以获得 TensorFlow、Theano 和 Keras 的实现代码的优秀比较。然而，如果你只对 Keras 代码感兴趣，可以跳到大约中间部分。
- 多层全连接网络，由 Valerio Maggio
下面展示的 Keras 代码（直接取自 Maggio 的笔记本）完成任务的美感应该是显而易见的。注意，此时数据预处理已经完成。
实现逻辑回归，如上所述，是一件事，但现在让我们尝试一些更值得称之为神经网络的东西，带有一个隐藏层。
首先，确保你查看了以下 Keras 文档页面，描述了 Sequenial 模型（如上所述）和 Layers。
现在，跟随这个基本的神经网络实现，它学习一些关于井字棋游戏结果的内容。
- Keras 教程：用神经网络识别井字棋赢家，由 Matthew Mayo
完成这些步骤后，你应该准备好实现一些更复杂的架构。
要在 Keras 中实现卷积神经网络（CNN），首先阅读其卷积层的文档：
之后，查看以下两个关于 Keras 中的 CNN 的教程。第一个教程速度较慢，涵盖了你现在应该知道的大部分内容，而第二个则涉及了一些额外的话题，如避免过拟合。这不一定是非此即彼的方法；你可能会在两个写作中找到有价值的内容：
-
Keras 教程：Python 深度学习的终极初学者指南，由 Elite Data Science
-
卷积神经网络简介，由 Mike Irvine
要了解更多关于卷积神经网络的一般知识，可以尝试 Brandon Rohrer 的视频：
阅读配套博客文章。
要在 Keras 中实现递归神经网络（RNN），首先阅读其递归层的文档：
之后，尝试 Chris Albon 的这个教程，实施长短期记忆（LSTM）网络——一种主流的 RNN 类型——用于文本分类：
要了解更多关于递归神经网络的一般知识，可以尝试 Brandon Rohrer 的视频：
阅读 配套幻灯片。
到现在为止，你应该对 Keras 有了扎实的理解，包括为什么使用它、在某些情况下它相比其他库的优势，以及如何使用它来实现各种网络架构。你现在是专家了，对吧？
好吧，可能不是。但希望你已经掌握了基础。当你想要超越基础时，下一步最好的选择可能是 Keras 的官方教程：
之后，查看 Keras 示例目录，其中包括视觉模型示例、文本与序列示例、生成模型示例等。
另外，如何挑战自己来微调一下你在前面的步骤中实现的一些模型呢？改变优化器，添加另一层，尝试不同的激活函数。或者使用一些 Keras 评估指标来回顾并评估你的模型性能。Keras 文档是一个很好的起点：
祝你使用 Keras 顺利。
相关：
-
掌握数据准备的 7 个步骤
-
掌握 Python 机器学习的 7 个步骤
-
掌握 Python 机器学习的更多 7 个步骤
1. 谷歌网络安全证书 - 快速进入网络安全职业轨道。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT