Keras是一个极度简化、高度模块化的神经网络第三方库。基于Python+Tensorflow开发，充分发挥了GPU和CPU操作。其开发目的是为了更快的做神经网络实验。适合前期的网络原型设计、支持卷积网络和反复性网络以及两者的结果、支持人工设计的其他网络、在GPU和CPU上运行能够无缝连接。
0. windows用户如何安装Keras框架？
用pip方式安装很简单。即打开cmd，输入pip install keras，然后等待安装完毕即可。会自动安装需要的组件。
1. 怎么保存Keras模型？
(1) 如果只保存模型结构，代码如下：
#save as JSON
json_string = model.to_json()
# save as YAML
yaml_string = model.to_yaml()
# model reconstruction from JSON:
from keras.modelsimport model_from_json
model = model_from_json(json_string)
# model reconstruction from YAML
model =model_from_yaml(yaml_string)
(2) 如果需要保存数据：
model.save_weights('my_model_weights.h5')
model.load_weights('my_model_weights.h5')
(3) 综合运用：
json_string = model.to_json()
open('my_model_architecture.json','w').write(json_string)
model.save_weights('my_model_weights.h5')
model = model_from_json(open('my_model_architecture.json').read())
model.load_weights('my_model_weights.h5')
2. 为什么训练损失比测试损失要大？
Keras有两种模型：训练和测试。规则化，比如Dropout和L1/L2，在测试时关闭了。
另外，训练损失是每一次训练batch的平均损失。模型因为在时刻变化，最开始的batch损失肯定要比最后的batches损失要高。另一方面，每一次epoch损失使用最后的epoch计算，因此返回的结果就比较小。
3 如何用Keras处理不适合存放在内存中的数据集？
Batch trainingusingmodel.train_on_batch(X, y)和model.test_on_batch(X, y)参考文档：modelsdocumentation。
You can also see batch training in action inour CIFAR10example.
4 当验证损失不再继续降低时，如何中断训练？
用EarlyStopping回调函数，代码如下：
from keras.callbacksimport EarlyStopping
early_stopping =EarlyStopping(monitor='val_loss', patience=2)
model.fit(X, y, validation_split=0.2, callbacks=[early_stopping])
5 在训练时，数据会被随机打乱吗？
如果model.fit中的参数suffle=True时，会随机打算每一次epoch的数据。（默认打乱）
但是验证数据默认不会打乱。
6 如何记录每一次epoch的训练/验证损失/准确度？
Model.fit函数会返回一个 History 回调，该回调有一个属性history包含一个封装有连续损失/准确的lists。代码如下：
hist = model.fit(X, y,validation_split=0.2)
print(hist.history)
7 如何让我的Keras脚本每次产生确定的数据？
在引入Kerans之前，引入numpy，并且用其random.seed(种子)产生一个随机数对象。这样在相同硬件的机器上运行时，每次产生的随机数的顺序都是一样的。
import numpyas np
np.random.seed(1234)
# Keras imports start here
from kerasimport ...
