今年 1 月 12 日，keras 作者 franois 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，franois 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 sequentialmodel = sequential()
可以简单地使用 .add() 来堆叠模型：
from keras.layers import densemodel.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 pile() 来配置学习过程：
modelpile(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）。
modelpile(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 sequentialfrom keras.layers import dense, activationmodel = 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 kerasfrom keras.models import sequentialfrom keras.layers import dense, dropout, activationfrom keras.optimizers import sgd# 生成虚拟数据import numpy as npx_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)modelpile(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, densefrom 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])modelpile(optimizer='rmsprop', loss='binary_crossentropy',loss_weights=[1., 0.2])model.fit([headline_data, additional_data], [labels, labels],epochs=50, batch_size=32)modelpile(optimizer='rmsprop',loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},loss_weights={'main_output': 1., 'aux_output': 0.2})# 然后使用以下方式训练：model.fit({'main_input': headline_data, 'aux_input': additional_data},{'main_output': labels, 'aux_output': labels},epochs=50, batch_size=32)
以上只是一个简单的案例，keras 函数式 api 还有非常多的应用案例，包括层级共享、有向无环图和残差网络等顶尖视觉模型，读者可以继续阅读中文文档了解更多
文档的后一部分更多是描述 keras 中常用的函数与 api，包括 keras 模型、层级函数、预处理过程、损失函数、最优化方法、数据集和可视化等。这些 api 和对应实现的功能其实很多时候可以在实际使用的时候再查找，当然最基本的 api 我们还是需要了解的。以下将简要介绍 keras 模型和层级 api，其它的模块请查阅原中文文档。
keras 模型
在 keras 中有两类模型，顺序模型 和 使用函数式 api 的 model 类模型。这些模型有许多共同的方法：
model.summary(): 打印出模型概述信息。它是 utils.print_summary 的简捷调用。model.get_config(): 返回包含模型配置信息的字典。通过以下代码，就可以根据这些配置信息重新实例化模型：
config = model.get_config()model = model.from_config(config)# or, for sequential:model = sequential.from_config(config)
model.get_weights(): 返回模型权重的张量列表，类型为 numpy array。model.set_weights(weights): 从 nympy array 中为模型设置权重。列表中的数组必须与 get_weights() 返回的权重具有相同的尺寸。model.to_json(): 以 json 字符串的形式返回模型的表示。请注意，该表示不包括权重，只包含结构。你可以通过以下代码，从 json 字符串中重新实例化相同的模型（带有重新初始化的权重）：
from keras.models import model_from_jsonjson_string = model.to_json()model = model_from_json(json_string)
model.to_yaml(): 以 yaml 字符串的形式返回模型的表示。请注意，该表示不包括权重，只包含结构。你可以通过以下代码，从 yaml 字符串中重新实例化相同的模型（带有重新初始化的权重）：
from keras.models import model_from_yamlyaml_string = model.to_yaml()model = model_from_yaml(yaml_string)
model.save_weights(filepath): 将模型权重存储为 hdf5 文件。model.load_weights(filepath, by_name=false): 从 hdf5 文件（由 save_weights 创建）中加载权重。默认情况下，模型的结构应该是不变的。如果想将权重载入不同的模型（部分层相同），设置 by_name=true 来载入那些名字相同的层的权重。
keras 层级
所有 keras 层都有很多共同的函数：
layer.get_weights(): 以 numpy 矩阵的形式返回层的权重。layer.set_weights(weights): 从 numpy 矩阵中设置层的权重（与 get_weights 的输出形状相同）。layer.get_config(): 返回包含层配置的字典。此图层可以通过以下方式重置：
layer = dense(32)config = layer.get_config()reconstructed_layer = dense.from_config(config)
如果一个层具有单个节点 (i.e. 如果它不是共享层), 你可以得到它的输入张量，输出张量，输入尺寸和输出尺寸：
layer.inputlayer.outputlayer.input_shapelayer.output_shape
如果层有多个节点，您可以使用以下函数：
layer.get_input_at(node_index)layer.get_output_at(node_index)layer.get_input_shape_at(node_index)layer.get_output_shape_at(node_index)
这些是 keras 模型与层级基本的函数，文档的中心内容也是这一部分和下面描述的 api 用途与参数，它包括完整模型所需要的各个模块，包括数据、预处理、网络架构、训练、评估和可视化等。但这一部分我们并不会介绍，因为很多时候我们只有在遇到未知的函数时才会详细查阅。
keras 官方中文文档，欢迎各位徘徊者入坑