Keras是目前使用最為廣泛的深度學習工具之一，它的底層可以支援TensorFlow、MXNet、CNTK和Theano。如今，Keras更是被直接引入了TensorFlow的核心代碼庫，成為TensorFlow官網提供的高層封裝之一。下面首先介紹最基本的Keras API，下面給出一個簡單的樣例，然後介紹如何使用Keras定義更加複雜的模型以及如何将Keras和原生态TensorFlow結合起來。
和TFLearn API類似，Keras API也對模型定義、損失函數、訓練過程等進行了封裝，而且封裝之後的整個訓練過程和TFLearn是基本一緻的，可以分為資料處理、模型定義和模型訓練三個部分。使用原生态的Keras API需要先安裝Keras包，安裝的方法如下：
以下代碼展示了如何使用原生态Keras在MNIST資料集上實作LeNet-5模型。
從以上代碼中可以看出使用Keras API訓練模型可以先定義一個Sequential類，然後在Sequential執行個體中通過add函數添加網絡層。Keras把卷積層、池化層、RNN結構(LSTM、GRU)，全連接配接層等常用的神經網絡結構都做了封裝，可以很友善地實作深層神經網絡。在神經網絡結構定義好之後，Sequential執行個體可以通過compile函數，指定優化函數、損失函數以及訓練過程中需要監控等名額。Keras對優化函數、損失函數以及監控名額都有封裝，同時也支援使用自定義的方式，在Keras的API文檔中有詳細的介紹，這裡不再贅述。最後在網絡結構、損失函數和優化函數都定義好之後，Sequential執行個體可以通過fit函數來訓練模型。類似TFLearn中的fit函數，Keras的fit函數隻需給出訓練資料，batch大小和訓練輪數，Keras就可以自動完成模型訓練的整個過程。
除了能夠很友善地處理圖像問題，Keras對訓練神經網絡的支援也是非常出色的。有了Keras APA，循環神經網絡的訓練體系也可以通過簡單的一句指令完成。以下代碼給出了如何通過Keras實作自然語言感情分類問題。使用循環網絡判斷語言的感情(比如在以下例子中需要判斷一個評價是好評還是差評)和自然語言模組化問題類似，唯一的差別在于除了最後一個時間點的輸出是有意義的，其他時間點的輸出都可以忽略，下圖展示了使用循環網絡處理感情分析問題的模型結構。
以上兩個樣例針對Keras的基本用法做了詳細的介紹。雖然Keras的封裝，很多經典的神經網絡結構能很快地被實作，不過要實作一些更加靈活的網絡結構、損失函數或者資料輸入方法，就需要對Keras的進階用法有更多的了解。
上面樣例中最重要的封裝就是Sequential類，所有的神經網絡定義和訓練都是通過Sequential執行個體來實作的。然而從這個類的名稱可以看出，它隻支援順序模型的定義。類似Inception這樣的模型結構，通過Sequential類就不容易直接實作了。為了支援更加靈活的模型定義方法，Keras支援以傳回值的形式定義網絡層結構。以下代碼展示了如何使用這種方式定義模型。
通過這樣的方式，Keras就可以實作類似Inception這樣大的模型結構。以下代碼展示了如何通過Keras實作Inception結構。
除了可以支援順序模型，Keras也可以支援有多個輸入或者輸出的模型。以下代碼實作了下圖所示的網絡結構。
從以上輸出可以看出Keras在訓練過程中會展示每個輸出層的loss和accuracy。因為輸出層output1隻使用了一個次元為1的隐藏點，是以正确率隻有29.85%。雖然輸出層output2使用了正确答案作為輸入，但是因為在損失函數中權重較低(隻有0.1)，是以它的收斂速度較慢，在20個epoch時準确率也隻有92.1%。如果将兩個輸出層的損失權重設為一樣，那麼輸出層output1在20個epoch時的準确率将隻有27%，而輸出層output2的準确率可以達到99.9%。雖然通過傳回值的方式已經可以實作大部分的神經網絡模型，然而Keras API還存在兩大問題。第一，原生态Keras API對訓練資料的處理流程支援得不太好，基本上需要一次性将資料全部全部加載到記憶體。第二，原生态Keras API無法支援分布式訓練。為了解決這兩個問題，Keras提供了一種與原生态TensorFlow結合地更加緊密的方式。以下代碼顯示了如何将Keras和原生态TensorFlow API聯合起來解決MNIST問題。
Modules
<code>activations</code> module: Built-in activation functions.
<code>applications</code> module: Keras Applications are canned architectures with pre-trained weights.
<code>backend</code> module: Keras backend API.
<code>callbacks</code> module: Callbacks: utilities called at certain points during model training.
<code>constraints</code> module: Constraints: functions that impose constraints on weight values.
<code>datasets</code> module: Keras built-in datasets.
<code>estimator</code> module: Keras estimator API.
<code>experimental</code> module: Public API for tf.keras.experimental namespace.
<code>initializers</code> module: Keras initializer serialization / deserialization.
<code>layers</code> module: Keras layers API.
<code>losses</code> module: Built-in loss functions.
<code>metrics</code> module: Built-in metrics.
<code>mixed_precision</code> module: Public API for tf.keras.mixed_precision namespace.
<code>models</code> module: Code for model cloning, plus model-related API entries.
<code>optimizers</code> module: Built-in optimizer classes.
<code>preprocessing</code> module: Keras data preprocessing utils.
<code>regularizers</code> module: Built-in regularizers.
<code>utils</code> module: Keras utilities.
<code>wrappers</code> module: Wrappers for Keras models, providing compatibility with other frameworks.
Classes
<code>class Model</code>: <code>Model</code> groups layers into an object with training and inference features.
<code>class Sequential</code>: Linear stack of layers.
Functions
<code>Input(...)</code>: <code>Input()</code> is used to instantiate a Keras tensor.