今年 1 月 12 日，Keras 作者 François Chollet 在推特上表示因为中文读者的广泛关注，他已经在 GitHub 上展开了一个 Keras 中文文档项目。而昨日，François Chollet 再一次在推特上表示 Keras 官方文档已经基本完成！他非常感谢翻译和校对人员两个多月的不懈努力，也希望 Keras 中文使用者能继续帮助提升文档质量。
这一次发布的是 Keras 官方中文文档，它得到了严谨的校对而提升了整体质量。但该项目还在进行中，虽然目前已经上线了很多 API 文档和使用教程，但仍然有一部分内容没有完成。其实早在官方中文文档出现以前，就有开发者构建了 Keras 的中文文档，而且很多读者都在使用 MoyanZitto 等人构建的中文文档。
-
Keras 官方文档：https://keras.io/zh/
-
Keras 第三方文档：http://keras-cn.readthedocs.io/en/latest/
以下我们将简要介绍这次官方发布的 Keras 文档。
Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow、CNTK、或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。
如果你有如下需求，请选择 Keras：
-
允许简单而快速的原型设计（用户友好，高度模块化，可扩展性）。
-
同时支持卷积神经网络和循环神经网络，以及两者的组合。
-
在 CPU 和 GPU 上无缝运行与切换。
Keras 兼容的 Python 版本: Python 2.7-3.6。
Keras 相对于其它深度学习库非常容易构建：首先它提供一致和简单的 API；其次，它提供独立的、完全可配置的模块构成序列或图表以完成模型；最后，作为新的类和函数，新的模块很容易扩展。这样说可能比较抽象，但正如文档中所描述的，我们甚至在 30 秒就能快速上手 Keras。所以在坑外徘徊或准备入坑 Keras 的小伙伴可以开心地开始你们的 30 秒。
快速开始：30 秒上手 Keras
Keras 的核心数据结构是 model，一种组织网络层的方式。最简单的模型是 Sequential 模型，它是由多网络层线性堆叠的栈。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。
Sequential 模型如下所示：
from keras.models import Sequential
model = Sequential()
可以简单地使用 .add() 来堆叠模型：
from keras.layers import Dense
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))
在完成了模型的构建后, 可以使用 .compile() 来配置学习过程：
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metrics=['accuracy'])
如果需要，你还可以进一步地配置优化器。Keras 的一个核心原则是使事情变得相当简单，同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性）。
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))
现在，你可以批量地在训练数据上进行迭代了：
# x_train and y_train are Numpy arrays --just like in the Scikit-Learn API.
model.fit(x_train, y_train, epochs=5, batch_size=32)
或者，你可以手动地将批次的数据提供给模型：
model.train_on_batch(x_batch, y_batch)
只需一行代码就能评估模型性能：
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
或者对新的数据生成预测：
classes = model.predict(x_test, batch_size=128)
构建一个问答系统，一个图像分类模型，一个神经图灵机，或者其他的任何模型，就是这么的快。深度学习背后的思想很简单，那么它们的实现又何必要那么痛苦呢？
使用简介
Keras 模型的使用一般可以分为顺序模型（Sequential）和 Keras 函数式 API，顺序模型是多个网络层的线性堆叠，而 Keras 函数式 API 是定义复杂模型（如多输出模型、有向无环图，或具有共享层的模型）的方法。以下将简要介绍两种模型的使用方法：
1.Keras 顺序模型
你可以通过将层的列表传递给 Sequential 的构造函数，来创建一个 Sequential 模型：
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential([
Dense(32, input_shape=(784,)),
Activation('relu'),
Dense(10),
Activation('softmax'),
])
也可以使用 .add() 方法将各层添加到模型中：
model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))
如下展示了一个完整的模型，即基于多层感知器 (MLP) 的 softmax 多分类：
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD
# 生成虚拟数据
import numpy as np
x_train = np.random.random((1000, 20))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
x_test = np.random.random((100, 20))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
model = Sequential()
# Dense(64) 是一个具有 64 个隐藏神经元的全连接层。
# 在第一层必须指定所期望的输入数据尺寸，在这里是一个 20 维的向量。
model.add(Dense(64, activation='relu', input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
optimizer=sgd,
metrics=['accuracy'])
model.fit(x_train, y_train,
epochs=20,
batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)
2. Keras 函数式 API
利用函数式 API，可以轻易地重用训练好的模型：可以将任何模型看作是一个层，然后通过传递一个张量来调用它。注意，在调用模型时，您不仅重用模型的结构，还重用了它的权重。
以下是函数式 API 的一个很好的例子：具有多个输入和输出的模型。函数式 API 使处理大量交织的数据流变得容易。
来考虑下面的模型。我们试图预测 Twitter 上的一条新闻标题有多少转发和点赞数。模型的主要输入将是新闻标题本身，即一系列词语，但是为了增添趣味，我们的模型还添加了其他的辅助输入来接收额外的数据，例如新闻标题的发布的时间等。该模型也将通过两个损失函数进行监督学习。较早地在模型中使用主损失函数，是深度学习模型的一个良好正则方法。
模型结构如下图所示：
让我们用函数式 API 来实现它（详细解释请查看中文文档）：
from keras.layers import Input, Embedding, LSTM, Dense
from keras.models import Model
# 标题输入：接收一个含有 100 个整数的序列，每个整数在 1 到 10000 之间。
# 注意我们可以通过传递一个 `name` 参数来命名任何层。
main_input = Input(shape=(100,), dtype='int32', name='main_input')
# Embedding 层将输入序列编码为一个稠密向量的序列，每个向量维度为 512。
x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)
# LSTM 层把向量序列转换成单个向量，它包含整个序列的上下文信息
lstm_out = LSTM(32)(x)
auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)
auxiliary_input = Input(shape=(5,), name='aux_input')
x = keras.layers.concatenate([lstm_out, auxiliary_input])
# 堆叠多个全连接网络层
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
# 最后添加主要的逻辑回归层
main_output = Dense(1, activation='sigmoid', name='main_output')(x)
model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])
model.compile(optimizer='rmsprop', loss='binary_crossentropy',
loss_weights=[1., 0.2])
model.fit([headline_data, additional_data], [labels, labels],
epochs=50, batch_size=32)
model.compile(optimizer='rmsprop'
