Keras 是一個用 Python 編寫的進階神經網絡 API，它能夠以CNTK, Theano或TensorFlow 作為後端運作。Keras 的開發重點是支援快速的實驗。能夠以最小的時延把你的想法轉換為實驗結果，是做好研究的關鍵。
指導原則：
使用者友好。 Keras 是為人類而不是為機器設計的 API。它把使用者體驗放在首要和中心位置。Keras 遵循減少認知困難的最佳實踐：它提供一緻且簡單的 API，将常見用例所需的使用者操作數量降至最低，并且在使用者錯誤時提供清晰和可操作的回報。
子產品化。 模型被了解為由獨立的、完全可配置的子產品構成的序列或圖。這些子產品可以以盡可能少的限制組裝在一起。特别是神經網絡層、損失函數、優化器、初始化方法、激活函數、正則化方法，它們都是可以結合起來建構新模型的子產品。
易擴充性。 新的子產品是很容易添加的(作為新的類和函數)，現有的子產品已經提供了充足的示例。由于能夠輕松地建立可以提高表現力的新子產品，Keras 更加适合進階研究。
基于 Python 實作。 Keras 沒有特定格式的單獨配置檔案。模型定義在 Python 代碼中，這些代碼緊湊，易于調試，并且易于擴充。
Keras 相容的 Python 版本: Python 2.7-3.6。
安裝日志：
我用的環境是 python 3.5.2,AnaConda 4.5.11,建議一定使用conda安裝，會省很多事。如果你喜歡挑戰，那就用pip試一下。
指令：conda install keras ，具體執行效果如下：
我後端安裝的是Tensorflow，使用的是K+T的組合。
基于該環境做了一例子：
Multilayer Perceptron (MLP) for multi-class softmax classification:
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD
# Generate dummy data
import numpy as np
x_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) is a fully-connected layer with 64 hidden units.
# in the first layer, you must specify the expected input data shape:
# here, 20-dimensional vectors.
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)
model.compile(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)
系統會提示了一個錯誤：
Message=softmax() got an unexpected keyword argument 'axis'
針對該問題， 是因為keras和tensorflow的版本比對問題，基本比對表是：
我安裝的Tensorflow版本是 1.2.1， keras是最新版本
重新安裝2.0.6，conda沒找到，然後安裝2.0.8
更新完成後遇到新問題：
module 'pandas' has no attribute 'computation'
更新dask,如下：
重新運作上面的例子
Multilayer Perceptron (MLP) for multi-class softmax classification:
結果如下：