Keras的简单入门及其与TensorFlow的关系

写在前面：说到Keras，大家肯定会对其与TensorFlow之间的关系有些疑惑，可以参考这两篇文章，兴许能解答一二，均有中文翻译。

Keras vs. TensorFlow – Which one is better and which one should I learn?，中文翻译《Keras和TensorFlow之争何时休？》
Keras vs. tf.keras: What’s the difference in TensorFlow 2.0?，中文翻译《TensorFlow 2.0中的tf.keras和Keras有何区别？为什么以后一定要用tf.keras》

Keras 是用Python编写的高级神经网络 API，能够在 TensorFlow、CNTK或Theano 上运行。Keras 的突出特点在于其易用性，是很容易上手且能够快速运行的深度学习库。
现在，其实可以简单的说Keras是TensorFlow的一个高阶API。

Keras有两个版本，支持多后端（backend）的Keras和tf.keras。

Multi-backend Keras

为了训练你自己的自定义神经网络，Keras 需要一个后端，即一个计算引擎——它可以构建网络的图和拓扑结构，运行优化器，并执行具体的数字运算。这个后端可以是TensorFlow、CNTK或Theano。
在 v1.1.0 之前，Keras 的默认后端都是 Theano。 v1.1.0 之后，TensorFlow开始成为 Keras 的默认后端。
关于后端引擎，具体可参考 Backend - Keras Documentation

tf.keras 是在 TensorFlow v1.10.0 中引入的，此时tf.keras 软件包与通过 pip 安装的 keras 软件包是分开的。在TensorFlow 2.0 中， tf.keras 是 TensorFlow 的官方高阶 API，用于快速简单的模型设计和训练。
Keras v2.3.0 是 Keras 第一个与 tf.keras 同步的版本，也将是最后一个支持多个后端的主要版本。之后，Multi-backend Keras 要被tf.keras替代了。

官方建议是：

we recommend that Keras users who use multi-backend Keras with the TensorFlow backend switch to tf.keras in TensorFlow 2.0.

Keras入门

我的开发环境是Mac，使用的是Arconda虚拟环境，并且已经安装了Tensorflow 2作为后端引擎。下面直接安装并使用Keras：
pip install keras

Keras的核心数据结构是用来组织层（layers）的模型（model），其中最简单的类型就是Sequential模型。

Sequential model:

from keras.models import Sequential
model = Sequential()

通过.add()方法来叠加层：

from keras.layers import Dense, Flatten, Softmax

model.add(Flatten(input_shape = (28, 28)))
model.add(Dense(units=128, activation=‘relu’))
model.add(Dense(units=10))

通过.compile()方法来配置神经网络的学习过程：

from keras.losses import SparseCategoricalCrossentropy

model.compile(optimizer=‘adam’, loss=SparseCategoricalCrossentropy(from_logits=True), metrics=[‘accuracy’])

如果需要，在.compile()过程中也可以进一步配置超参数：

model.compile(optimizer=keras.optimizers.adam(learning_rate=0.001, beta_1=0.9, beta_2=0.99, amsgrad=False), loss=SparseCategoricalCrossentropy(from_logits=True), metrics=[‘accuracy’])

接下来就是将训练数据给到该模型进行训练：
model.fit(train_images, train_labels, epochs=10)
通过测试数据来对训练的模型进行精度评估：
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
最后，用训练好的模型进行预测：

probability_model = Sequential([model, Softmax()])
predictions = probability_model.predict(test_images)

若要使用tf.keras，则需import tensorflow as tf，并将引入的keras库删掉，并将后面所有涉及keras的内容补全为tf.keras.，如tf.keras.models.Sequential()。

说明

以上代码是参考 TensorFlow 2的Keras入门教程改写而来，原教程是通过tf.keras来实现的。关于更多tf.keras的内容，请参考TensorFlow 的官方指南。

附完整的代码：

import keras
from keras.models import Sequential
from keras.layers import Dense, Flatten, Softmax
from keras.losses import SparseCategoricalCrossentropy
import numpy as np

fashion_mnist = keras.datasets.fashion_mnist

(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

train_images = train_images / 255.0
test_images = test_images / 255.0

model = Sequential()
model.add(Flatten(input_shape = (28, 28)))
model.add(Dense(units=128, activation='relu'))
model.add(Dense(units=10))

# model.compile(optimizer='adam',
#               loss=SparseCategoricalCrossentropy(from_logits=True),
#               metrics=['accuracy'])

model.compile(optimizer=keras.optimizers.adam(learning_rate=0.001, beta_1=0.9, beta_2=0.99, amsgrad=False),
              loss=SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

model.fit(train_images, train_labels, epochs=10)

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

print('\nTest accuracy:', test_acc)

probability_model = Sequential([model, 
                                Softmax()])

predictions = probability_model.predict(test_images)

print(predictions[0])
print(np.argmax(predictions[0]))
print(test_labels[0])