終於！Keras官方中文版文檔正式發佈了

今年 1 月 12 日，Keras 做者 François Chollet‏ 在推特上表示由於中文讀者的普遍關注，他已經在 GitHub 上展開了一個 Keras 中文文檔項目。而昨日，François Chollet‏ 再一次在推特上表示 Keras 官方文檔已經基本完成！他很是感謝翻譯和校對人員兩個多月的不懈努力，也但願 Keras 中文使用者能繼續幫助提高文檔質量。

這一次發佈的是 Keras 官方中文文檔，它獲得了嚴謹的校對而提高了總體質量。但該項目還在進行中，雖然目前已經上線了不少 API 文檔和使用教程，但仍然有一部份內容沒有完成。其實早在官方中文文檔出現之前，就有開發者構建了 Keras 的中文文檔，並且不少讀者都在使用 MoyanZitto 等人構建的中文文檔。

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

如下咱們將簡要介紹此次官方發佈的 Keras 文檔。

Keras 是一個用 Python 編寫的高級神經網絡 API，它可以以 TensorFlow、CNTK、或者 Theano 做爲後端運行。Keras 的開發重點是支持快速的實驗。可以以最小的時延把你的想法轉換爲實驗結果，是作好研究的關鍵。

若是你有以下需求，請選擇 Keras：

• 容許簡單而快速的原型設計（用戶友好，高度模塊化，可擴展性）。
• 同時支持卷積神經網絡和循環神經網絡，以及二者的組合。
• 在 CPU 和 GPU 上無縫運行與切換。

Keras 兼容的 Python 版本: Python 2.7-3.6。

Keras 相對於其它深度學習庫很是容易構建：首先它提供一致和簡單的 API；其次，它提供獨立的、徹底可配置的模塊構成序列或圖表以完成模型；最後，做爲新的類和函數，新的模塊很容易擴展。這樣說可能比較抽象，但正如文檔中所描述的，咱們甚至在 30 秒就能快速上手 Keras。因此在坑外徘徊或準備入坑 Keras 的小夥伴能夠開心地開始大家的 30 秒。

快速開始：30 秒上手 Keras

Keras 的核心數據結構是 model，一種組織網絡層的方式。最簡單的模型是 Sequential 模型，它是由多網絡層線性堆疊的棧。對於更復雜的結構，你應該使用 Keras 函數式 API，它容許構建任意的神經網絡圖。

Sequential 模型以下所示：

from keras.models import Sequential

model = Sequential()複製代碼

能夠簡單地使用 .add() 來堆疊模型：

from keras.layers import Dense

model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))複製代碼

在完成了模型的構建後, 可使用 .compile() 來配置學習過程：

model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])複製代碼

若是須要，你還能夠進一步地配置優化器。Keras 的一個核心原則是使事情變得至關簡單，同時又容許用戶在須要的時候可以進行徹底的控制（終極的控制是源代碼的易擴展性）。

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

如今，你能夠批量地在訓練數據上進行迭代了：

# 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)複製代碼

或者，你能夠手動地將批次的數據提供給模型：

model.train_on_batch(x_batch, y_batch)複製代碼

只需一行代碼就能評估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)複製代碼

或者對新的數據生成預測：

classes = model.predict(x_test, batch_size=128)複製代碼

構建一個問答系統，一個圖像分類模型，一個神經圖靈機，或者其餘的任何模型，就是這麼的快。深度學習背後的思想很簡單，那麼它們的實現又何須要那麼痛苦呢？

使用簡介

Keras 模型的使用通常能夠分爲順序模型（Sequential）和 Keras 函數式 API，順序模型是多個網絡層的線性堆疊，而 Keras 函數式 API 是定義複雜模型（如多輸出模型、有向無環圖，或具備共享層的模型）的方法。如下將簡要介紹兩種模型的使用方法：

1.Keras 順序模型

你能夠經過將層的列表傳遞給 Sequential 的構造函數，來建立一個 Sequential 模型：

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

model = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(10),
    Activation('softmax'),
])複製代碼

也可使用 .add() 方法將各層添加到模型中：

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))複製代碼

以下展現了一個完整的模型，即基於多層感知器 (MLP) 的 softmax 多分類：

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

# 生成虛擬數據
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) 是一個具備 64 個隱藏神經元的全鏈接層。
# 在第一層必須指定所指望的輸入數據尺寸，在這裏是一個 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)複製代碼

2. Keras 函數式 API

利用函數式 API，能夠輕易地重用訓練好的模型：能夠將任何模型看做是一個層，而後經過傳遞一個張量來調用它。注意，在調用模型時，您不只重用模型的結構，還重用了它的權重。

如下是函數式 API 的一個很好的例子：具備多個輸入和輸出的模型。函數式 API 使處理大量交織的數據流變得容易。

來考慮下面的模型。咱們試圖預測 Twitter 上的一條新聞標題有多少轉發和點贊數。模型的主要輸入將是新聞標題自己，即一系列詞語，可是爲了增添趣味，咱們的模型還添加了其餘的輔助輸入來接收額外的數據，例如新聞標題的發佈的時間等。該模型也將經過兩個損失函數進行監督學習。較早地在模型中使用主損失函數，是深度學習模型的一個良好正則方法。

模型結構以下圖所示：

讓咱們用函數式 API 來實現它（詳細解釋請查看中文文檔）：

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，每一個整數在 1 到 10000 之間。
# 注意咱們能夠經過傳遞一個 `name` 參數來命名任何層。
main_input = Input(shape=(100,), dtype='int32', name='main_input')

# Embedding 層將輸入序列編碼爲一個稠密向量的序列，每一個向量維度爲 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信息
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])

# 堆疊多個全鏈接網絡層
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)

# 最後添加主要的邏輯迴歸層
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})

# 而後使用如下方式訓練：
model.fit({'main_input': headline_data, 'aux_input': additional_data},
          {'main_output': labels, 'aux_output': labels},
          epochs=50, batch_size=32)複製代碼

以上只是一個簡單的案例，Keras 函數式 API 還有很是多的應用案例，包括層級共享、有向無環圖和殘差網絡等頂尖視覺模型，讀者能夠繼續閱讀中文文檔瞭解更多。

文檔的後一部分更可能是描述 Keras 中經常使用的函數與 API，包括 Keras 模型、層級函數、預處理過程、損失函數、最優化方法、數據集和可視化等。這些 API 和對應實現的功能其實不少時候能夠在實際使用的時候再查找，固然最基本的 API 咱們仍是須要了解的。如下將簡要介紹 Keras 模型和層級 API，其它的模塊請查閱原中文文檔。

Keras 模型

在 Keras 中有兩類模型，順序模型 和 使用函數式 API 的 Model 類模型。這些模型有許多共同的方法：

• model.summary(): 打印出模型概述信息。它是 utils.print_summary 的簡捷調用。
• model.get_config(): 返回包含模型配置信息的字典。經過如下代碼，就能夠根據這些配置信息從新實例化模型：

config = model.get_config()
model = Model.from_config(config)
# or, for Sequential:
model = Sequential.from_config(config)複製代碼

• model.get_weights(): 返回模型權重的張量列表，類型爲 Numpy array。
• model.set_weights(weights): 從 Nympy array 中爲模型設置權重。列表中的數組必須與 get_weights() 返回的權重具備相同的尺寸。
• model.to_json(): 以 JSON 字符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。你能夠經過如下代碼，從 JSON 字符串中從新實例化相同的模型（帶有從新初始化的權重）：

from keras.models import model_from_json

json_string = model.to_json()
model = model_from_json(json_string)複製代碼

• model.to_yaml(): 以 YAML 字符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。你能夠經過如下代碼，從 YAML 字符串中從新實例化相同的模型（帶有從新初始化的權重）：

from keras.models import model_from_yaml

yaml_string = model.to_yaml()
model = model_from_yaml(yaml_string)複製代碼

• model.save_weights(filepath): 將模型權重存儲爲 HDF5 文件。
• model.load_weights(filepath, by_name=False): 從 HDF5 文件（由 save_weights 建立）中加載權重。默認狀況下，模型的結構應該是不變的。若是想將權重載入不一樣的模型（部分層相同），設置 by_name=True 來載入那些名字相同的層的權重。

Keras 層級

全部 Keras 層都有不少共同的函數：

• layer.get_weights(): 以 Numpy 矩陣的形式返回層的權重。
• layer.set_weights(weights): 從 Numpy 矩陣中設置層的權重（與 get_weights 的輸出形狀相同）。
• layer.get_config(): 返回包含層配置的字典。此圖層能夠經過如下方式重置：

layer = Dense(32)
config = layer.get_config()
reconstructed_layer = Dense.from_config(config)複製代碼

若是一個層具備單個節點 (i.e. 若是它不是共享層), 你能夠獲得它的輸入張量，輸出張量，輸入尺寸和輸出尺寸：

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

若是層有多個節點，您可使用如下函數：

• 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)

這些是 Keras 模型與層級基本的函數，文檔的中心內容也是這一部分和下面描述的 API 用途與參數，它包括完整模型所須要的各個模塊，包括數據、預處理、網絡架構、訓練、評估和可視化等。但這一部分咱們並不會介紹，由於不少時候咱們只有在遇到未知的函數時纔會詳細查閱。

Keras 官方中文文檔，歡迎各位徘徊者入坑。