以下來自 Keras 中文文檔的解釋，轉載經中文文檔作者@BigMoyan
授權，詳細請看http://keras-cn.readthedocs.io/。
Keras是基于Theano和TensorFlow的深度學習庫，其特點如下：
簡易和快速的原型設計（keras具有高度模塊化，極簡，和可擴充特性）
支持CNN和RNN，或二者的結合
支持任意的鏈接方案（包括多輸入和多輸出訓練）
無縫CPU和GPU切換
先來了解一下深度學習的基本概念
Keras的核心數據結構是“模型”，模型是一種組織網絡層的方式。Keras中主要的模型是Sequential模型，Sequential是一系列網絡層按順序構成的棧。你也可以查看泛型模型來學習建立更復雜的模型
Sequential模型如下
from keras.models import Sequentialmodel = Sequential()
將一些網絡層通過.add()堆疊起來，就構成了一個模型：
from keras.layers import Dense, Activationmodel.add(Dense(output_dim=64, input_dim=100))model.add(Activation("relu"))model.add(Dense(output_dim=10))model.add(Activation("softmax"))
完成模型的搭建后，我們需要使用.compile()方法來編譯模型：
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
編譯模型時必須指明損失函數和優化器，如果你需要的話，也可以自己定制損失函數。Keras的一個核心理念就是簡明易用同時，保證用戶對Keras的絕對控制力度，用戶可以根據自己的需要定制自己的模型、網絡層，甚至修改源代碼。
from keras.optimizers import SGDmodel.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))
完成模型編譯后，我們在訓練數據上按batch**進行一定次數的迭代訓練，以擬合網絡。
model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)
當然，我們也可以手動將一個個batch的數據送入網絡中訓練，這時候需要使用：
model.train_on_batch(X_batch, Y_batch)
隨后，我們可以使用一行代碼對我們的模型進行評估，看看模型的指標是否滿足我們的要求：
loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32)
或者，我們可以使用我們的模型，對新的數據進行預測：
classes = model.predict_classes(X_test, batch_size=32)proba = model.predict_proba(X_test, batch_size=32)
搭建一個問答系統、圖像分類模型，或神經圖靈機、word2vec詞嵌入器就是這么快。
Keras的例子
├── addition_rnn.py├── antirectifier.py├── babi_memnn.py├── babi_rnn.py├── cifar10_cnn.py├── conv_filter_visualization.py├── deep_dream.py├── image_ocr.py├── imdb_bidirectional_lstm.py├── imdb_cnn.py├── imdb_cnn_lstm.py├── imdb_fasttext.py├── imdb_lstm.py├── lstm_benchmark.py├── lstm_text_generation.py├── mnist_cnn.py├── mnist_hierarchical_rnn.py├── mnist_irnn.py├── mnist_mlp.py├── mnist_net2net.py├── mnist_siamese_graph.py├── mnist_sklearn_wrapper.py├── mnist_swwae.py├── mnist_transfer_cnn.py├── neural_doodle.py├── neural_style_transfer.py├── pretrained_word_embeddings.py├── reuters_mlp.py├── stateful_lstm.py├── variational_autoencoder.py└── variational_autoencoder_deconv.py
