Keras 簡介

Keras 是一個用 Python 編寫的高級神經網絡 API，它能夠以 TensorFlow, CNTK, 或者 Theano 作為后端運行。Keras 的開發重點是支持快速的實驗。能夠以最小的時延把你的想法轉換為實驗結果，是做好研究的關鍵。 ————Keras官方定義

簡單來說，Keras 是一個獨立的、機器學習的高級 API ；而且在 TensorFlow2.0 發布之時被包含進了 TensorFlow ，因此我們可以在 TensorFlow2.0 及其以后的版本中直接使用 Keras 。

1. Keras 是什么以及它的由來

Keras 的前身是 Fran?ois Chollet 為 ONEIROS 項目所的編寫的代碼，在 2015 年開源成為神經網絡的開發工具。Keras 最初參考了 Torch 的風格并且完全由 Python 編寫。

Keras 從創建之初到后來被 TensorFlow 所支持，經歷了很多的變化，具體變化如下：

• Keras 最初在 2015 年被開源發布，從誕生之初就被設計成為一個機器學習的高級 API；
• Keras 在 2016 年發布了第一個正式版本 1.0.0，意味著進入穩定版本階段；
• 2017 年 Keras 發布了 2.0.0 版本并被整合進 TensorFlow；
• 2018 年在 TensorFlow2.0 公開后便被正式確立為 tf.keras 高階 API；
• 直到如今，使用 tf.keras 依然是使用 TensorFlow 構建模型的最快捷方式。

也就是說 Keras 并不是一個單獨的框架，他只是一個高級的 API 庫；利用它簡易和快速的原型設計，我們可以根據其 API 實現高級網絡的構建。進而使用 TensorFlow 進行訓練等進一步的工作。

而在本課程之中我們所提到的 Keras 都是指的是 TensorFlow 中的 Keras 模塊。

2. tf.Keras 與 TesnorFlow 結合的優勢

說到 Keras 與 TensorFlow1.x 的結合，就不得不說一下 Keras 的特點：

• Keras 基于 Python 發展而來，因此它的使用符合 Python 開發者的使用習慣
• Keras 提供的 API 較為高階，我們可以不用關心底層的實現的一些細節
• Keras 擁有友好、全面的文檔，我們可以輕松地進行學習
• 便于使用，得益于高階 API ，我們可以輕松地實現模型的構建與訓練
• 擴展性好，我們可以使用 TensorFlow 來擴展 Keras ，從而實現更加定制化的需求

而 TensorFlow 最大的特點就在于快速、快捷，我們能夠以很高的性能實現一些模型的訓練工作。

自 2017 年開始，Keras 的大部分組件被整合至 Tensorflow 的 Python API中，但是卻沒有作為高階 API（tf.keras）整合進 TensorFlow 之中。因此大多數工作人員依然采用的是獨立安裝的 Kears 進行高層模型的構建，而使用 TensorFlow 作為底層框架進行訓練。

在 TensorFlow2.x 之中，我們便可以在 TensorFlow 之中使用 Keras ，從而將兩者的優勢互相結合，一方面我們可以快速的構建模型，另外一方面我們也可以進行模型的快速訓練。

3. 函數式 API 編程

說到 Keras，就不得不說一下 TensorFlow2.0 引入的函數式 API 編程。也就是 Eager Execution。

所謂函數式 API 編程，通俗來講就是我們每一個語句都是通過函數的調用來實現的，而這也意味著我們可以摒棄掉某一條語句的下文而單獨執行。

這似乎很符合我們的編程的習慣，但是在 TensorFlow1.x 之中，并不默認支持 Eager Execution 。通常來講我們在 TensorFlow1.x 之中我們需要首先創建一個 Session，然后才能運行程序。

而隨著 Keras 的引入，TesnorFlow 開始支持 Eager Execution，也就是說我們可以完全采用函數調用的方式來進行機器學習的開發。這無疑大大降低了開發的門檻，也可以幫助我們更加快捷、方便地進行模型的相應的工作。

我們可以來看一下具體代碼的區別，在 TensorFlow1.x 之中，我們在訓練的過程之中一般采用如下的方式進行訓練：

with tf.Session() as session:
      session.run(tf.global_variables_initializer())
      session.run(tf.tables_initializer())
      model.fit(X_train, y_train, validation_data=(X_valid, y_valid), epochs=10, batch_size=64)

可以看到，我們首先需要創建一個會話（tf.session），然后才能在其中進行模型的訓練操作。

而在 TensorFlow2.x 之中，我們只需要如下代碼就可以實現模型的訓練：

  model.fit(X_train, y_train, validation_data=(X_valid, y_valid), epochs=10, batch_size=64)

相信通過代碼的比對大家就可以輕松地看出 Eager Execution 的優勢：

• 程序流程明了，符合大多數Python工作者的編碼習慣；
• 代碼簡單，方便運行時調試；
• Eager Execution 提供了更加簡潔明了的接口，而避免了 session 復雜易錯的接口。

而在以后的學習與開發之中，我們都會通過 Eager Execution 模式來進行。

4. 小結

TensorFlow 中的 Keras 模塊為一個新的、易用、快捷的模塊，我們可以依靠 Keras 模塊來快速地構建網絡。同時它也擁有著高度的可擴展性，我們可以使用 TensorFlow 對其進行輕松的擴展；從而大大提升我們的開發效率。