在深度学习蓬勃发展的今天，越来越多的深度学习框架被提出来，谷歌的Tensorflow ,微软的CNTK，等等。阅读文献时，如果我们想重现论文中的方法，但是又碍于没有学习过论文中提到的深度学习框架，那么为了节约研究的时间，使用keras会是你的一个不错选择。keras是由纯Python编写的高级神经网络API，它的后台支持tensorflow，theano或者CNTK。利用keras，我们能很轻松的搭建深度学习模型。
虽然keras的官方文档将已经把各部分讲得很详细，但是当真正使用keras搭建模型时，还是会遇到参数不知道如何设置的问题。接下来，我将会用MLP对mnist数据集进行分类的例子，对代码进行讲解，希望能给学习keras的同学带来帮助。
MLP（多层神经网络）
1 model = Sequential() #在代码中注释不利于读者阅读，所以我统一在代码后面讲解
2 model.add(Dense(512, activation='relu', input_shape=(784,)))
3 model.add(Dropout(0.2))
4 model.add(Dense(512, activation='relu'))
5 model.add(Dropout(0.2))
6 model.add(Dense(10, activation='softmax'))
7 model.summary()
8 model.compile(loss='categorical_crossentropy',
optimizer=RMSprop(),
metrics=['accuracy'])
9 history = model.fit(x_train, y_train,
batch_size=128,
epochs=20,
validation_split=0.2)
10 score = model.evaluate(x_test, y_test, verbose=0)
1 在keras源代码中，Sequential其实是个类，model=Sequntial() ,就是定义了一个Squntial对象，有这行代码，我们就可以开始自上而下的搭建神经网络层。
2 Squentail类中，有add方法（类中函数的叫法），我们通过它添加各种神经网络层，在这行代码中，搭建的是Dense层也就是全连接层。Dense层中，有许多参数，但是大部分都设定了默认值，所以只要关注一下units，activation，input_shape即可。具体来讲解一下本行设置，units=512就是设置这一层的神经元的数量（这个数量的设置大家可以自己调节），activation='relu'就是设置激活函数为relu（当然还可以设置许多其他的激活函数），大家注意在搭建第一层神经网络层的时候一定要添加input_shape，之后的网络层不需要添加。
3 Dropout(0.2)，Dropout层它的作用大家可以想象成生物神经元与神经元连线的断裂，0.2就是有百分之20的概率两个神经元之间失去联系，用于处理数据过拟合的情况。
4 继续搭建Dense层，这层有512个神经元，激活函数设为relu。大家可以看到，已经沒有添加input_shape，keras内部已经自动计算好了，不用我们操心。
5 继续加Dropout层
6 最后一层，10个神经元用于判定手写图像的数字，激活函数为softmax。
7 这行是用来统计我们搭建的神经网络模型的相关参数。当我们在运行程序的时候，会在编译器上显示，大家可以试一试。
8 compile(编译)，设置损失函数loss，这里设置的是交叉熵；设置优化算法optmimizer，这里设置的是RMSprop；设置性能评估metrics，通常设置为accuracy。
9 前面的代码相当于把水管搭好了，现在开始通水，fit函数里面需要设置的参数有：input data (输入数据)；lables (输入数据标签)；batch_size(做一次梯度下降所使用的数据量) ；epochs(使用总训练集的次数)；validation_split(抽取训练集0至1比例的数据作为验证集，这里推荐设置为0.2)
10 评估函数，加入测试集即可。（verbose是用来显示记录的，0为不显示，1为显示。）
好，代码已经讲完了，最后我还想谈一谈我学习keras的小心得。
-
机器学习的基本原理还是需要搞懂的，不然你不知道该如何改进你的神经网络模型。
-
深度学习的算法需要搞懂，不然你不知道该如何搭建模型。
-
要勇于尝试，必须要把代码跑起来，不能看看例子就算了，这样永远无法提高
-
多做总结，我觉得写博客是一个做总结的好方法，既总结了知识点，又能帮助大家一起提高。
好吧，如果喜欢我写的，欢迎大家点赞和评论，大家还要什么不懂的可以留言，我会在下次的博客中给大家讲解。
