标签：友好 代码仓库 安装 androi https nvidia 想法 完成 eval
感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html
===
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。
如果你在以下情况下需要深度学习库，请使用 Keras：
查看文档，请访问 Keras.io。
Keras 兼容的 Python 版本: Python 2.7-3.6。
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 顺序模型，它由多个网络层线性堆叠。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你的优化器。Keras 的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 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
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？
有关 Keras 更深入的教程，请查看：
在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。
在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。
你也可以考虑安装以下可选依赖：
然后你就可以安装 Keras 本身了。有两种方法安装 Keras：
sudo pip install keras
如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：
pip install keras
首先，使用 git 来克隆 Keras：
git clone https://github.com/keras-team/keras.git
然后，cd 到 Keras 目录并且运行安装命令：
cd keras
sudo python setup.py install
默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。
你可以提出问题并参与开发讨论：
你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。
Keras (κ?ρα?) 在希腊语中意为 号角 。它来自古希腊和拉丁文学中的一个文学形象，首先出现于 《奥德赛》 中， 梦神 (Oneiroi, singular Oneiros) 从这两类人中分离出来：那些用虚幻的景象欺骗人类，通过象牙之门抵达地球之人，以及那些宣告未来即将到来，通过号角之门抵达之人。 它类似于文字寓意，κ?ρα? (号角) / κρα?νω (履行)，以及 ?λ?φα? (象牙) / ?λεφα?ρομαι (欺骗)。
Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。
"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息； 那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).
在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。
Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出
截至 2018 年中期，Keras 拥有超过 250,000 名个人用户。与其他任何深度学习框架相比，Keras 在行业和研究领域的应用率更高（除 TensorFlow 之外，且 Keras API 是 TensorFlow 的官方前端，通过 tf.keras 模块使用）。
您已经不断与使用 Keras 构建的功能进行交互 - 它在 Netflix, Uber, Yelp, Instacart, Zocdoc, Square 等众多网站上使用。它尤其受以深度学习作为产品核心的创业公司的欢迎。
Keras也是深度学习研究人员的最爱，在上载到预印本服务器 arXiv.org 的科学论文中被提及的次数位居第二。Keras 还被大型科学组织的研究人员采用，特别是 CERN 和 NASA。
与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：
你的 Keras 模型可以基于不同的深度学习后端开发。重要的是，任何仅利用内置层构建的 Keras 模型，都可以在所有这些后端中移植：你可以用一种后端训练模型，再将它载入另一种后端中（例如为了发布的需要）。支持的后端有：
亚马逊也正在为 Keras 开发 MXNet 后端。
如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：
Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。此外，微软维护着 Keras 的 CNTK 后端。亚马逊 AWS 正在开发 MXNet 支持。其他提供支持的公司包括 NVIDIA、优步、苹果（通过 CoreML）等。
感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html
===
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。
如果你在以下情况下需要深度学习库，请使用 Keras：
查看文档，请访问 Keras.io。
Keras 兼容的 Python 版本: Python 2.7-3.6。
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 顺序模型，它由多个网络层线性堆叠。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你的优化器。Keras 的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 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
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？
有关 Keras 更深入的教程，请查看：
在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。
在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。
你也可以考虑安装以下可选依赖：
然后你就可以安装 Keras 本身了。有两种方法安装 Keras：
sudo pip install keras
如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：
pip install keras
首先，使用 git 来克隆 Keras：
git clone https://github.com/keras-team/keras.git
然后，cd 到 Keras 目录并且运行安装命令：
cd keras
sudo python setup.py install
默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。
你可以提出问题并参与开发讨论：
你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。
Keras (κ?ρα?) 在希腊语中意为 号角 。它来自古希腊和拉丁文学中的一个文学形象，首先出现于 《奥德赛》 中， 梦神 (Oneiroi, singular Oneiros) 从这两类人中分离出来：那些用虚幻的景象欺骗人类，通过象牙之门抵达地球之人，以及那些宣告未来即将到来，通过号角之门抵达之人。 它类似于文字寓意，κ?ρα? (号角) / κρα?νω (履行)，以及 ?λ?φα? (象牙) / ?λεφα?ρομαι (欺骗)。
Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。
"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息； 那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).
在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。
Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出
截至 2018 年中期，Keras 拥有超过 250,000 名个人用户。与其他任何深度学习框架相比，Keras 在行业和研究领域的应用率更高（除 TensorFlow 之外，且 Keras API 是 TensorFlow 的官方前端，通过 tf.keras 模块使用）。
您已经不断与使用 Keras 构建的功能进行交互 - 它在 Netflix, Uber, Yelp, Instacart, Zocdoc, Square 等众多网站上使用。它尤其受以深度学习作为产品核心的创业公司的欢迎。
Keras也是深度学习研究人员的最爱，在上载到预印本服务器 arXiv.org 的科学论文中被提及的次数位居第二。Keras 还被大型科学组织的研究人员采用，特别是 CERN 和 NASA。
与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：
你的 Keras 模型可以基于不同的深度学习后端开发。重要的是，任何仅利用内置层构建的 Keras 模型，都可以在所有这些后端中移植：你可以用一种后端训练模型，再将它载入另一种后端中（例如为了发布的需要）。支持的后端有：
亚马逊也正在为 Keras 开发 MXNet 后端。
如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：
Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。此外，微软维护着 Keras 的 CNTK 后端。亚马逊 AWS 正在开发 MXNet 支持。其他提供支持的公司包括 NVIDIA、优步、苹果（通过 CoreML）等。
感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html
===
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。
如果你在以下情况下需要深度学习库，请使用 Keras：
查看文档，请访问 Keras.io。
Keras 兼容的 Python 版本: Python 2.7-3.6。
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 顺序模型，它由多个网络层线性堆叠。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你的优化器。Keras 的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 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
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？
有关 Keras 更深入的教程，请查看：
在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。
在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。
你也可以考虑安装以下可选依赖：
然后你就可以安装 Keras 本身了。有两种方法安装 Keras：
sudo pip install keras
如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：
pip install keras
首先，使用 git 来克隆 Keras：
git clone https://github.com/keras-team/keras.git
然后，cd 到 Keras 目录并且运行安装命令：
cd keras
sudo python setup.py install
默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。
你可以提出问题并参与开发讨论：
你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。
Keras (κ?ρα?) 在希腊语中意为 号角 。它来自古希腊和拉丁文学中的一个文学形象，首先出现于 《奥德赛》 中， 梦神 (Oneiroi, singular Oneiros) 从这两类人中分离出来：那些用虚幻的景象欺骗人类，通过象牙之门抵达地球之人，以及那些宣告未来即将到来，通过号角之门抵达之人。 它类似于文字寓意，κ?ρα? (号角) / κρα?νω (履行)，以及 ?λ?φα? (象牙) / ?λεφα?ρομαι (欺骗)。
Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。
"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息； 那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).
在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。
Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出
截至 2018 年中期，Keras 拥有超过 250,000 名个人用户。与其他任何深度学习框架相比，Keras 在行业和研究领域的应用率更高（除 TensorFlow 之外，且 Keras API 是 TensorFlow 的官方前端，通过 tf.keras 模块使用）。
您已经不断与使用 Keras 构建的功能进行交互 - 它在 Netflix, Uber, Yelp, Instacart, Zocdoc, Square 等众多网站上使用。它尤其受以深度学习作为产品核心的创业公司的欢迎。
Keras也是深度学习研究人员的最爱，在上载到预印本服务器 arXiv.org 的科学论文中被提及的次数位居第二。Keras 还被大型科学组织的研究人员采用，特别是 CERN 和 NASA。
与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：
你的 Keras 模型可以基于不同的深度学习后端开发。重要的是，任何仅利用内置层构建的 Keras 模型，都可以在所有这些后端中移植：你可以用一种后端训练模型，再将它载入另一种后端中（例如为了发布的需要）。支持的后端有：
亚马逊也正在为 Keras 开发 MXNet 后端。
如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：
Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。此外，微软维护着 Keras 的 CNTK 后端。亚马逊 AWS 正在开发 MXNet 支持。其他提供支持的公司包括 NVIDIA、优步、苹果（通过 CoreML）等。
感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html
===
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。
如果你在以下情况下需要深度学习库，请使用 Keras：
查看文档，请访问 Keras.io。
Keras 兼容的 Python 版本: Python 2.7-3.6。
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 顺序模型，它由多个网络层线性堆叠。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你的优化器。Keras 的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 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
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？
有关 Keras 更深入的教程，请查看：
在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。
在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。
你也可以考虑安装以下可选依赖：
然后你就可以安装 Keras 本身了。有两种方法安装 Keras：
sudo pip install keras
如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：
pip install keras
首先，使用 git 来克隆 Keras：
git clone https://github.com/keras-team/keras.git
然后，cd 到 Keras 目录并且运行安装命令：
cd keras
sudo python setup.py install
默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。
你可以提出问题并参与开发讨论：
你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。
Keras (κ?ρα?) 在希腊语中意为 号角 。它来自古希腊和拉丁文学中的一个文学形象，首先出现于 《奥德赛》 中， 梦神 (Oneiroi, singular Oneiros) 从这两类人中分离出来：那些用虚幻的景象欺骗人类，通过象牙之门抵达地球之人，以及那些宣告未来即将到来，通过号角之门抵达之人。 它类似于文字寓意，κ?ρα? (号角) / κρα?νω (履行)，以及 ?λ?φα? (象牙) / ?λεφα?ρομαι (欺骗)。
Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。
"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息； 那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).
在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。
Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出
截至 2018 年中期，Keras 拥有超过 250,000 名个人用户。与其他任何深度学习框架相比，Keras 在行业和研究领域的应用率更高（除 TensorFlow 之外，且 Keras API 是 TensorFlow 的官方前端，通过 tf.keras 模块使用）。
您已经不断与使用 Keras 构建的功能进行交互 - 它在 Netflix, Uber, Yelp, Instacart, Zocdoc, Square 等众多网站上使用。它尤其受以深度学习作为产品核心的创业公司的欢迎。
Keras也是深度学习研究人员的最爱，在上载到预印本服务器 arXiv.org 的科学论文中被提及的次数位居第二。Keras 还被大型科学组织的研究人员采用，特别是 CERN 和 NASA。
与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：
你的 Keras 模型可以基于不同的深度学习后端开发。重要的是，任何仅利用内置层构建的 Keras 模型，都可以在所有这些后端中移植：你可以用一种后端训练模型，再将它载入另一种后端中（例如为了发布的需要）。支持的后端有：
亚马逊也正在为 Keras 开发 MXNet 后端。
如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：
Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。此外，微软维护着 Keras 的 CNTK 后端。亚马逊 AWS 正在开发 MXNet 支持。其他提供支持的公司包括 NVIDIA、优步、苹果（通过 CoreML）等。
感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html
===
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。
如果你在以下情况下需要深度学习库，请使用 Keras：
查看文档，请访问 Keras.io。
Keras 兼容的 Python 版本: Python 2.7-3.6。
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 顺序模型，它由多个网络层线性堆叠。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你的优化器。Keras 的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 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
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？
有关 Keras 更深入的教程，请查看：
在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。
在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。
你也可以考虑安装以下可选依赖：
然后你就可以安装 Keras 本身了。有两种方法安装 Keras：
sudo pip install keras
如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：
pip install keras
首先，使用 git 来克隆 Keras：
git clone https://github.com/keras-team/keras.git
然后，cd 到 Keras 目录并且运行安装命令：
cd keras
sudo python setup.py install
默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。
你可以提出问题并参与开发讨论：
你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。
Keras (κ?ρα?) 在希腊语中意为 号角 。它来自古希腊和拉丁文学中的一个文学形象，首先出现于 《奥德赛》 中， 梦神 (Oneiroi, singular Oneiros) 从这两类人中分离出来：那些用虚幻的景象欺骗人类，通过象牙之门抵达地球之人，以及那些宣告未来即将到来，通过号角之门抵达之人。 它类似于文字寓意，κ?ρα? (号角) / κρα?νω (履行)，以及 ?λ?φα? (象牙) / ?λεφα?ρομαι (欺骗)。
Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。
"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息； 那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).
在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。
Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出
截至 2018 年中期，Keras 拥有超过 250,000 名个人用户。与其他任何深度学习框架相比，Keras 在行业和研究领域的应用率更高（除 TensorFlow 之外，且 Keras API 是 TensorFlow 的官方前端，通过 tf.keras 模块使用）。
您已经不断与使用 Keras 构建的功能进行交互 - 它在 Netflix, Uber, Yelp, Instacart, Zocdoc, Square 等众多网站上使用。它尤其受以深度学习作为产品核心的创业公司的欢迎。
Keras也是深度学习研究人员的最爱，在上载到预印本服务器 arXiv.org 的科学论文中被提及的次数位居第二。Keras 还被大型科学组织的研究人员采用，特别是 CERN 和 NASA。
与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：
你的 Keras 模型可以基于不同的深度学习后端开发。重要的是，任何仅利用内置层构建的 Keras 模型，都可以在所有这些后端中移植：你可以用一种后端训练模型，再将它载入另一种后端中（例如为了发布的需要）。支持的后端有：
亚马逊也正在为 Keras 开发 MXNet 后端。
如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：
Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。此外，微软维护着 Keras 的 CNTK 后端。亚马逊 AWS 正在开发 MXNet 支持。其他提供支持的公司包括 NVIDIA、优步、苹果（通过 CoreML）等。
感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html
===
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。
如果你在以下情况下需要深度学习库，请使用 Keras：
查看文档，请访问 Keras.io。
Keras 兼容的 Python 版本: Python 2.7-3.6。
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 顺序模型，它由多个网络层线性堆叠。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你的优化器。Keras 的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 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
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？
有关 Keras 更深入的教程，请查看：
在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。
在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。
你也可以考虑安装以下可选依赖：
然后你就可以安装 Keras 本身了。有两种方法安装 Keras：
sudo pip install keras
如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：
pip install keras
首先，使用 git 来克隆 Keras：
git clone https://github.com/keras-team/keras.git
然后，cd 到 Keras 目录并且运行安装命令：
cd keras
sudo python setup.py install
默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。
你可以提出问题并参与开发讨论：
你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。
Keras (κ?ρα?) 在希腊语中意为 号角 。它来自古希腊和拉丁文学中的一个文学形象，首先出现于 《奥德赛》 中， 梦神 (Oneiroi, singular Oneiros) 从这两类人中分离出来：那些用虚幻的景象欺骗人类，通过象牙之门抵达地球之人，以及那些宣告未来即将到来，通过号角之门抵达之人。 它类似于文字寓意，κ?ρα? (号角) / κρα?νω (履行)，以及 ?λ?φα? (象牙) / ?λεφα?ρομαι (欺骗)。
Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。
"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息； 那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).
在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。
Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出
截至 2018 年中期，Keras 拥有超过 250,000 名个人用户。与其他任何深度学习框架相比，Keras 在行业和研究领域的应用率更高（除 TensorFlow 之外，且 Keras API 是 TensorFlow 的官方前端，通过 tf.keras 模块使用）。
您已经不断与使用 Keras 构建的功能进行交互 - 它在 Netflix, Uber, Yelp, Instacart, Zocdoc, Square 等众多网站上使用。它尤其受以深度学习作为产品核心的创业公司的欢迎。
Keras也是深度学习研究人员的最爱，在上载到预印本服务器 arXiv.org 的科学论文中被提及的次数位居第二。Keras 还被大型科学组织的研究人员采用，特别是 CERN 和 NASA。
与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：
你的 Keras 模型可以基于不同的深度学习后端开发。重要的是，任何仅利用内置层构建的 Keras 模型，都可以在所有这些后端中移植：你可以用一种后端训练模型，再将它载入另一种后端中（例如为了发布的需要）。支持的后端有：
亚马逊也正在为 Keras 开发 MXNet 后端。
如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：
Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。此外，微软维护着 Keras 的 CNTK 后端。亚马逊 AWS 正在开发 MXNet 支持。其他提供支持的公司包括 NVIDIA、优步、苹果（通过 CoreML）等。
感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html
===
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。
如果你在以下情况下需要深度学习库，请使用 Keras：
查看文档，请访问 Keras.io。
Keras 兼容的 Python 版本: Python 2.7-3.6。
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 顺序模型，它由多个网络层线性堆叠。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你的优化器。Keras 的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 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
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？
有关 Keras 更深入的教程，请查看：
在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。
在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。
你也可以考虑安装以下可选依赖：
然后你就可以安装 Keras 本身了。有两种方法安装 Keras：
sudo pip install keras
如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：
pip install keras
首先，使用 git 来克隆 Keras：
git clone https://github.com/keras-team/keras.git
然后，cd 到 Keras 目录并且运行安装命令：
cd keras
sudo python setup.py install
默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。
你可以提出问题并参与开发讨论：
你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。
Keras (κ?ρα?) 在希腊语中意为 号角 。它来自古希腊和拉丁文学中的一个文学形象，首先出现于 《奥德赛》 中， 梦神 (Oneiroi, singular Oneiros) 从这两类人中分离出来：那些用虚幻的景象欺骗人类，通过象牙之门抵达地球之人，以及那些宣告未来即将到来，通过号角之门抵达之人。 它类似于文字寓意，κ?ρα? (号角) / κρα?νω (履行)，以及 ?λ?φα? (象牙) / ?λεφα?ρομαι (欺骗)。
Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。
"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息； 那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).
在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。
Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出
截至 2018 年中期，Keras 拥有超过 250,000 名个人用户。与其他任何深度学习框架相比，Keras 在行业和研究领域的应用率更高（除 TensorFlow 之外，且 Keras API 是 TensorFlow 的官方前端，通过 tf.keras 模块使用）。
您已经不断与使用 Keras 构建的功能进行交互 - 它在 Netflix, Uber, Yelp, Instacart, Zocdoc, Square 等众多网站上使用。它尤其受以深度学习作为产品核心的创业公司的欢迎。
Keras也是深度学习研究人员的最爱，在上载到预印本服务器 arXiv.org 的科学论文中被提及的次数位居第二。Keras 还被大型科学组织的研究人员采用，特别是 CERN 和 NASA。
与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：
你的 Keras 模型可以基于不同的深度学习后端开发。重要的是，任何仅利用内置层构建的 Keras 模型，都可以在所有这些后端中移植：你可以用一种后端训练模型，再将它载入另一种后端中（例如为了发布的需要）。支持的后端有：
亚马逊也正在为 Keras 开发 MXNet 后端。
如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：
Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。此外，微软维护着 Keras 的 CNTK 后端。亚马逊 AWS 正在开发 MXNet 支持。其他提供支持的公司包括 NVIDIA、优步、苹果（通过 CoreML）等。
感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30656.html
===
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。
如果你在以下情况下需要深度学习库，请使用 Keras：
查看文档，请访问 Keras.io。
Keras 兼容的 Python 版本: Python 2.7-3.6。
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 顺序模型，它由多个网络层线性堆叠。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你的优化器。Keras 的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 和 y_train 是 Numpy 数组 -- 就像在 Scikit-Learn API 中一样。
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？
有关 Keras 更深入的教程，请查看：
在代码仓库的 examples 目录中，你会找到更多高级模型：基于记忆网络的问答系统、基于栈式 LSTM 的文本生成等等。
在安装 Keras 之前，请安装以下后端引擎之一：TensorFlow，Theano，或者 CNTK。我们推荐 TensorFlow 后端。
你也可以考虑安装以下可选依赖：
然后你就可以安装 Keras 本身了。有两种方法安装 Keras：
sudo pip install keras
如果你使用 virtualenv 虚拟环境, 你可以避免使用 sudo：
pip install keras
首先，使用 git 来克隆 Keras：
git clone https://github.com/keras-team/keras.git
然后，cd 到 Keras 目录并且运行安装命令：
cd keras
sudo python setup.py install
默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。
你可以提出问题并参与开发讨论：
你也可以在 GitHub issues 中发布漏洞报告和新功能请求（仅限于此）。注意请先阅读规范文档。
Keras (κ?ρα?) 在希腊语中意为 号角 。它来自古希腊和拉丁文学中的一个文学形象，首先出现于 《奥德赛》 中， 梦神 (Oneiroi, singular Oneiros) 从这两类人中分离出来：那些用虚幻的景象欺骗人类，通过象牙之门抵达地球之人，以及那些宣告未来即将到来，通过号角之门抵达之人。 它类似于文字寓意，κ?ρα? (号角) / κρα?νω (履行)，以及 ?λ?φα? (象牙) / ?λεφα?ρομαι (欺骗)。
Keras 最初是作为 ONEIROS 项目（开放式神经电子智能机器人操作系统）研究工作的一部分而开发的。
"Oneiroi 超出了我们的理解 - 谁能确定它们讲述了什么故事？并不是所有人都能找到。那里有两扇门，就是通往短暂的 Oneiroi 的通道；一个是用号角制造的，一个是用象牙制造的。穿过尖锐的象牙的 Oneiroi 是诡计多端的，他们带有一些不会实现的信息； 那些穿过抛光的喇叭出来的人背后具有真理，对于看到他们的人来说是完成的。" Homer, Odyssey 19. 562 ff (Shewring translation).
在如今无数深度学习框架中，为什么要使用 Keras 而非其他？以下是 Keras 与现有替代品的一些比较。
Deep learning 框架排名，由 Jeff Hale 基于 7 个分类的 11 个数据源计算得出
截至 2018 年中期，Keras 拥有超过 250,000 名个人用户。与其他任何深度学习框架相比，Keras 在行业和研究领域的应用率更高（除 TensorFlow 之外，且 Keras API 是 TensorFlow 的官方前端，通过 tf.keras 模块使用）。
您已经不断与使用 Keras 构建的功能进行交互 - 它在 Netflix, Uber, Yelp, Instacart, Zocdoc, Square 等众多网站上使用。它尤其受以深度学习作为产品核心的创业公司的欢迎。
Keras也是深度学习研究人员的最爱，在上载到预印本服务器 arXiv.org 的科学论文中被提及的次数位居第二。Keras 还被大型科学组织的研究人员采用，特别是 CERN 和 NASA。
与任何其他深度学习框架相比，你的 Keras 模型可以在更广泛的平台上轻松部署：
你的 Keras 模型可以基于不同的深度学习后端开发。重要的是，任何仅利用内置层构建的 Keras 模型，都可以在所有这些后端中移植：你可以用一种后端训练模型，再将它载入另一种后端中（例如为了发布的需要）。支持的后端有：
亚马逊也正在为 Keras 开发 MXNet 后端。
如此一来，你的 Keras 模型可以在 CPU 之外的不同硬件平台上训练：
Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。此外，微软维护着 Keras 的 CNTK 后端。亚马逊 AWS 正在开发 MXNet 支持。其他提供支持的公司包括 NVIDIA、优步、苹果（通过 CoreML）等。
Keras学习手册(一),开篇-使用 Python3 的Deep Learning 库
标签：友好 代码仓库 安装 androi https nvidia 想法 完成 eval
原文地址：https://www.cnblogs.com/lihanlin/p/12657714.html
