安装keras依赖的库
1 sudo pip install numpy 2 sudo pip install scipy 3 sudo pip installl pyyaml 4 sudo pipi install HDF5,h5py
注意scipy是依赖numpy的
安装keras
1 sudo pip install kera
安装TensorFlow作为后端（backend),Theano同理
sudo pip install TensorFlo
或者采用清华大学的镜像
CPU版本
1 sudo pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple/ TensorFlow
GPU版本
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ https://mirrors.tuna.tsinghua.edu.cn/tensorflow/linux/gpu/tensorflow_gpu-1.5.0-cp35-cp35m-linux_x86_64.whl
以上是安装keras和TenforFlow的步骤，我使用的elementray os 直接安装成功
————————————————————————————————————————————————————————————————————————————————
下面是keras的基础
张量的阶数是纬度或者是轴，来自Axis
例如：
[[1,2],[3,4]]
是二阶张量，两个纬度（我所理解的是横竖，即坐标轴，不过轴的方向不同。）
沿着0轴（因为Python中索引从0开始）
[1,2]
[3,4]
沿着1轴
[1,3]
[2,4]
当keras使用tensorflow为后端的时候，如果计算机有可用GPU时会自动调用GPU,
若使用Theano为后端支持的时候，可以使用语句更改，官方文档中有三种
我感觉最合适的是在代码前面加上：
1 import theano 2 theano.config.device ='gpu' 3 theano.config.floatX='float32'
keras模型的保存和重新实例化
保存
1 model.save(filepath)
filepath应该包括fileename,如filename.h5
保存在一个HDF5文件中
包括：
1 模型结构，便于重构 2 模型权重 3 训练配置 4 优化器状态，便于从上次的位置开始
重新实例化模型
1 keras.model.load_model(filepath)
如果你只想保存结构，不包括配置信息，或者权重信息。这些文件甚至可以人为打开编辑。
1 #保存json 2 json_string=model.to_json() 3 4 #保存为YAML 5 yaml_string=model.to_yaml(）
从上面文件中恢复
1 from keras.model import model_from_json 2 #from json 3 model = model_from_json(json_string) 4 5 #from yaml 6 from keras.model import model_from_yaml 7 8 model = model_from_yaml(yaml_string)
保存权重
1 #save wights 2 model.save_weights('my_model_weights.h5') 3 4 #若在代码中初始化一个相同的模型： 5 model.load_weights('my_load_wights.h5') 6 #加载权重到不同的网络结构中去,通过层名加载模型 7 model.load_weights('my_load_wights.h5',by_name=True)