keras 是一款使用纯 python 编写的神经网络 API，使用 keras 能够快速实现你的深度学习方案，所以 keras 有着为快速试验而生的美称。keras 以 Tensorflow、Theano 、CNTK 为后端，意思就是 keras 的底层计算都是以以上这些框架为基础的，这使得 keras 能够专注于快速搭建起神经网络模型。
keras 搭建神经网络的基本流程
利用 keras 搭建神经网络模型非常快速和高效，其模型实现的核心流程可以用四个步骤来概括。具体如下：
第一步就是设计你的网络结构（add）：
调用 keras 神经网络的各个模块来组件你的模型架构，通过 add 方法来叠加。这一步是最需要仔细考虑的地方，关乎你的神经网络的复杂性和高效与否。简单示例如下：
from keras.layers import Dense, Activation
model.add(Dense(units=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(units=10))
model.add(Activation("softmax"))
上面的示例中，我们从 keras 的 layers 模块中导入了 Dense 全连接层、Activation 激活层，构造了一个包含两个全连接层和一个 relu 和 softmax 激活的网络模型。
第二步是将设计好模型进行编译（compile）：
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
第三步就是对训练数据进行拟合训练（fit）:
model.fit(x_train, y_train, epoche=5, batch_size=32)
最后就是对训练好的模型进行评估（evaluate）:
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
如此强大的深度学习库，必然有官方文档。
笔者特地收集整理了 keras 官方中文文档，供大家下载查阅使用。有需要的读者可扫描下方二维码加笔者微信获取。
————————————————
版权声明：本文为CSDN博主「louwill12」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_37737254/article/details/115804766