Keras 深度学习框架 #

┌─────────────────────────────────────────────────────────────┐
│                    Keras 架构定位                            │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  ┌─────────────────────────────────────────────────────┐   │
│  │                    用户代码                          │   │
│  └─────────────────────────────────────────────────────┘   │
│                          │                                  │
│                          ▼                                  │
│  ┌─────────────────────────────────────────────────────┐   │
│  │               Keras 高级 API                         │   │
│  │    • 简洁的模型定义                                  │   │
│  │    • 易用的训练接口                                  │   │
│  │    • 丰富的网络层                                    │   │
│  └─────────────────────────────────────────────────────┘   │
│                          │                                  │
│                          ▼                                  │
│  ┌─────────────────────────────────────────────────────┐   │
│  │              TensorFlow 后端                         │   │
│  │    • 自动微分                                        │   │
│  │    • GPU 加速                                        │   │
│  │    • 分布式训练                                      │   │
│  └─────────────────────────────────────────────────────┘   │
│                                                             │
└─────────────────────────────────────────────────────────────┘

import keras

model = keras.Sequential([
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam', loss='categorical_crossentropy')
model.fit(x_train, y_train, epochs=10)

┌─────────────────────────────────────────────────────────────┐
│                    模块化设计                                │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  模型 = 层 + 层 + 层 + ...                                   │
│                                                             │
│  ┌──────┐   ┌──────┐   ┌──────┐   ┌──────┐                │
│  │ Dense│ → │ Conv2D│ → │ LSTM │ → │Output│                │
│  └──────┘   └──────┘   └──────┘   └──────┘                │
│                                                             │
│  每个层可独立配置：                                          │
│  • 激活函数                                                  │
│  • 初始化方法                                                │
│  • 正则化策略                                                │
│                                                             │
└─────────────────────────────────────────────────────────────┘

import keras

class CustomLayer(keras.layers.Layer):
    def __init__(self, units):
        super().__init__()
        self.units = units
    
    def build(self, input_shape):
        self.w = self.add_weight(shape=(input_shape[-1], self.units))
    
    def call(self, inputs):
        return keras.ops.matmul(inputs, self.w)

┌─────────────────────────────────────────────────────────────┐
│                    Keras 3 多后端支持                        │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│                    ┌─────────────┐                          │
│                    │   Keras 3   │                          │
│                    └──────┬──────┘                          │
│                           │                                 │
│         ┌─────────────────┼─────────────────┐              │
│         │                 │                 │              │
│         ▼                 ▼                 ▼              │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐        │
│  │ TensorFlow  │  │   PyTorch   │  │    JAX      │        │
│  └─────────────┘  └─────────────┘  └─────────────┘        │
│                                                             │
│  统一 API，自由切换后端                                      │
│                                                             │
└─────────────────────────────────────────────────────────────┘

输入图像 → CNN → 特征提取 → 分类结果

文本序列 → Embedding → RNN/Transformer → 预测结果

历史数据 → LSTM/GRU → 模式学习 → 未来预测

用户特征 → 深度网络 → 特征交互 → 推荐分数

Keras 文档
├── 基础入门
│   ├── Keras 简介与环境配置
│   ├── 第一个神经网络模型
│   └── 核心概念理解
│
├── 模型构建
│   ├── Sequential 序列模型
│   ├── Functional API 函数式模型
│   └── 自定义模型类
│
├── 网络层详解
│   ├── 核心层（Dense、Flatten）
│   ├── 卷积层（Conv2D、Pooling）
│   ├── 循环层（LSTM、GRU）
│   └── 正则化层（Dropout、BatchNorm）
│
├── 训练配置
│   ├── 激活函数选择
│   ├── 损失函数配置
│   ├── 优化器调优
│   └── 评估指标定义
│
├── 数据处理
│   ├── 数据预处理流程
│   ├── 图像数据增强
│   └── 文本数据处理
│
├── 训练技巧
│   ├── 回调函数使用
│   ├── 学习率调度策略
│   └── 模型检查点保存
│
├── 高级主题
│   ├── 迁移学习实战
│   ├── 模型保存与部署
│   ├── TensorBoard 可视化
│   └── 多 GPU 分布式训练
│
└── 实战案例
    ├── 图像分类项目
    ├── 文本情感分析
    └── 回归预测任务

入门阶段 (1-2 周)
├── 环境搭建与配置
├── 理解神经网络基础
├── 第一个模型训练
└── 掌握 Sequential API

进阶阶段 (2-4 周)
├── Functional API 使用
├── 各种网络层应用
├── 损失函数与优化器
└── 数据预处理技巧

高级阶段 (4-8 周)
├── 自定义层与模型
├── 迁移学习实践
├── 模型优化与调参
└── 分布式训练

实战阶段 (持续)
├── 图像分类项目
├── NLP 任务实践
├── 时间序列预测
└── 模型部署上线

pip install keras tensorflow

import keras
import numpy as np

x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))

model = keras.Sequential([
    keras.layers.Dense(64, activation='relu', input_shape=(20,)),
    keras.layers.Dense(1, activation='sigmoid')
])

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10, batch_size=32)