一、Keras安装及配置

1、安装Keras

由于Keras是tensorflow的封装，必须先安装tensorflow才能使用

pip install h5py   # 支持模型保存和载入
pip install tensorflow   # 只有python3.5之后版本才能安装TensorFlow
pip install keras

中文文档

2、配置Keras

一旦，Keras 被安装完成，你需要去修改后端文件，也就是去确定，你需要 TensorFlow 作为后端，还是 Theano 作为后端，修改的配置文件位于 ~/.keras/keras.json

{
  "floatx": "float32",
  "epsilon": 1e-07,
  "backend": "tensorflow",
  "image_data_format": "channels_last"
}

请注意，参数 image_data_format 是 channels_last ，也就是说这个后端是 TensorFlow。因为，在TensorFlow中图像的存储方式是[height, width, channels]，但是在Theano中是完全不同的，也就是 [channels, height, width]。因此，如果你没有正确的设置这个参数，那么你模型的中间结果将是非常奇怪的。对于Theano来说，这个参数就是channels_first。

二、使用keras搭建网络

1、建模

Keras 有两种不同的神经网络建模方式
（1）Sequential models（序贯模型）
这种方法用于实现一些简单的模型，这样建立的神经网络模型就是一层一层的结构。

from keras.models import Sequential
#创建序贯模型
model = Sequential()
model.add(Dense(8, input_dim=2))
model.add(Activation("relu"))
model.add(Dense(2))
model.add(Activation("sigmoid"))

（2）Functional API（函数式模型）
序列模型，可以实现简单的神经网络算法，然而很多时候我们的模型并不是严格的序列化模型。你的网络可能是network-in-network形式的，或者有多输入，多输出(图像分割)等等。 这个时候序列模型就不可行了，你需要用到keras的Functional API。这是一种更加灵活的定义方式，可是实现多输入和多输出的深度网络结构。Functional API接受tensors返回tensor,多个函数组合到一起就是一个框架, 也就是keras.models里面的Model类。
在函数式模型中，所有的模型都是可调用的，就像层一样，很容易利用可以训练好的模型，提供tensor进行调用。调用训练好的模型时，不仅仅是重用结构，也是重用权重。
这时候必须先使用keras.Input将输出转换为tensor

from keras import Input
input_tensor = Input(shape=(64,))

使用keras.models.Model将定义好的模型转换为函数式框架

from keras.models import Sequential, Model
from keras import layers
from keras import Input
input_tensor = Input(shape=(784,))
x = layers.Dense(128, activation='relu')(input_tensor)
x = layers.Dense(64, activation='relu')(x)
x = layers.Dense(32, activation='relu')(x)
output_tensor = layers.Dense(10, activation='softmax')(x)
model = Model(input_tensor, output_tensor)

更多介绍
kaggle上的模型示例

# define CNN model using keras

# input 1
Input_figure = Input(shape=(75,75,3), name='input1')
# input 2
Input_angle = Input(shape=(1,), name = 'input2')

x = Conv2D(13, kernel_size=(3,3))(Input_figure)
x = BatchNormalization()(x)
x = Activation('elu')(x)
x = MaxPooling2D(pool_size=(2,2))(x)
x = Dropout(0.3)(x)

x = Conv2D(21, kernel_size=(3,3))(x)
x = BatchNormalization()(x)
x = Activation('elu')(x)
x = MaxPooling2D(pool_size=(2,2))(x)
x = Dropout(0.3)(x)

x = Conv2D(34, kernel_size=(3,3))(x)
x = BatchNormalization()(x)
x = Activation('elu')(x)
x = MaxPooling2D(pool_size=(2,2), strides=(2,2))(x)
x = Dropout(0.3)(x)

x = Conv2D(55, kernel_size=(3,3))(x)
x = BatchNormalization()(x)
x = Activation('elu')(x)
x = MaxPooling2D(pool_size=(2,2), strides=(2,2))(x)
x = Dropout(0.3)(x)

x = GlobalMaxPool2D()(x)

# concatenate x and input 2
x = concatenate([x, Input_angle])

x = Dense(89)(x)
x = BatchNormalization()(x)
x = Activation('elu')(x)
x = Dropout(0.3)(x)
x = Dense(89, activation='elu')(x)
out = Dense(1, activation='sigmoid')(x)

model = Model(inputs=[Input_figure, Input_angle], outputs=out)

2、模型查看、编译、训练、验证

（1）使用model.summary()方法来查看模型架构

model.summary()

（2）使用model.compile()方法来进行模型编译

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

通过compile来对学习过程进行配置，它接收三个参数。

用法举例如下

# 二元分类问题，采用预定义指标
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',  # 二分类的对数损失
              metrics=['accuracy'])  # 准确率

# 二分类问题，自定义指标函数
import keras.backend as K

def mean_squared_error(y_true, y_pred):
    return K.mean(K.square(y_pred - y_true), axis=-1)

def my_loss(y_true, y_pred):
    return K.mean((y_pred-y_true),axis = -1)

model.compile(optimizer='rmsprop',
              loss=my_loss,
              metrics=['accuracy', mean_squared_error])

# 多分类问题
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',  # 多类的对数损失
              metrics=['accuracy']) # 准确率

# 回归问题
model.compile(optimizer='rmsprop',
              loss='mse')   # 均方误差

（3）使用model.fit()方法来进行模型训练

# 模型训练
history = model.fit(train_tensors, train_targets, 
                         validation_data=(valid_tensors, valid_targets),
                         epochs=epochs, 
                         batch_size=batch_size, 
                         callbacks=[checkpointer], 
                         verbose=1)

（4）使用model.evalute方法来进行模型验证，展示模型在验证数据上的效果，其中参数和fit函数中的参数基本一致。

model.evalute(X, 
              y, 
              batch_size=128, 
              show_accuracy=False,
              verbose=1, 
              sample_weight=None)

我们可以使用以下命令来快捷的评估模型：

# Scoring the model
score = model.evaluate(X, y)
print("\nAccuracy: ", score[-1])

（5）使用模型对新数据做预测
用于对测试数据的预测，返回：对于测试数据的预测数组

model.predict(X, 
              batch_size=128, 
              verbose=1)

3、模型保存和载入

keras中的模型主要包括model和weight两个部分
（1）保存/加载整个模型
包括（结构 + 权重 + 优化器状态），不建议使用 pickle 或 cPickle 来保存 Keras 模型
可以使用 model.save(filepath) 将 Keras 模型保存到单个 HDF5 文件中，该文件将包含：

• 模型的结构，允许重新创建模型
• 模型的权重
• 训练配置项（损失函数，优化器）
• 优化器状态，允许准确地从你上次结束的地方继续训练。

可以使用 keras.models.load_model(filepath) 重新实例化模型。load_model 还将负责使用保存的训练配置项来编译模型（除非模型从未编译过）。
示例：

from keras.models import load_model

# 创建 HDF5 文件 'my_model.h5'
model.save('my_model.h5')  

# 删除现有模型
del model  

# 返回一个编译好的模型
# 与之前那个相同
model = load_model('my_model.h5')

（2）只保存/加载模型的结构
只需要保存模型的结构，而非其权重或训练配置项
方法一：json文件

from keras.models import model_from_json

# 保存为 JSON
json_string = model.to_json()

# 从 JSON 重建模型：
model = model_from_json(json_string)

方法二：Yaml文件

from keras.models import model_from_yaml

# 保存为 YAML
yaml_string = model.to_yaml()

# 从 YAML 重建模型：
model = model_from_yaml(yaml_string)

（3）只保存/加载模型的权重
如果只需要模型的权重，可以使用下面的代码以 HDF5 格式进行保存。
请注意，我们首先需要安装 HDF5 和 Python 库 h5py，它们不包含在 Keras 中。

# 保存权重
model.save_weights('my_model_weights.h5')

# 假设你有用于实例化模型的代码，则可以将保存的权重加载到具有相同结构的模型中
model.load_weights('my_model_weights.h5')

# 如果你需要将权重加载到不同的结构（有一些共同层）的模型中，例如微调或迁移学习，则可以按层的名字来加载权重
model.load_weights('my_model_weights.h5', by_name=True)