Keras提供了一个完整的框架来创建任何类型的神经网络。 Keras具有创新性并且非常易于学习。它支持简单的神经网络到非常大和复杂的神经网络模型。在本章中，让我们了解Keras框架的体系结构以及Keras如何帮助深度学习。

凯拉斯的体系结构

Keras API可以分为三个主要类别-

• 模型
• 层
• 核心模块

在Keras中，每个人工神经网络都由Keras模型表示。反过来，每个Keras模型都是Keras层的组成，并表示ANN层，例如输入，隐藏层，输出层，卷积层，池化层等。Keras模型和层访问Keras模块以用于激活函数，损失函数，正则化函数，等等，使用Keras模型，Keras Layer和Keras模块，可以以简单有效的方式表示任何ANN算法(CNN，RNN等)。

下图描述了模型，层和核心模块之间的关系-

让我们看一下Keras模型，Keras图层和Keras模块的概述。

模型

Keras模型有以下两种类型-

顺序模型-顺序模型基本上是Keras层的线性组成。顺序模型简单，最小，并且能够表示几乎所有可用的神经网络。

一个简单的顺序模型如下-

from keras.models import Sequential 
from keras.layers import Dense, Activation 

model = Sequential()  
model.add(Dense(512, activation = 'relu', input_shape = (784,)))

哪里，

• 1号线从Keras模型导入顺序模型

• 第2行导入了密集层和激活模块

• 第4行使用Sequential API创建新的顺序模型

• 第5行使用relu激活(使用Activation模块)函数添加了一个密集层(Dense API)。

顺序模型公开了Model类，以创建自定义模型。我们可以使用子分类概念来创建我们自己的复杂模型。

功能API-功能API基本上用于创建复杂的模型。

层

Keras模型中的每个Keras层代表实际提出的神经网络模型中的对应层(输入层，隐藏层和输出层)。 Keras提供了许多预构建层，因此可以轻松创建任何复杂的神经网络。下面指定了一些重要的Keras图层，

• 核心层
• 卷积层
• 池层
• 循环图层

使用顺序模型表示神经网络模型的简单Python代码如下-

from keras.models import Sequential 
from keras.layers import Dense, Activation, Dropout model = Sequential() 

model.add(Dense(512, activation = 'relu', input_shape = (784,))) 
model.add(Dropout(0.2)) 
model.add(Dense(512, activation = 'relu')) model.add(Dropout(0.2)) 
model.add(Dense(num_classes, activation = 'softmax'))

哪里，

• 1号线从Keras模型导入顺序模型

• 第2行导入了密集层和激活模块

• 第4行使用Sequential API创建新的顺序模型

• 第5行使用relu激活(使用Activation模块)函数添加了一个密集层(Dense API)。

• 第6行添加了一个辍学层(Dropout API)来处理过度拟合。

• 第7行使用relu激活(使用Activation模块)函数添加了另一个密集层(Dense API)。

• 第8行添加了另一个辍学层(Dropout API)来处理过度拟合。

• 第9行添加了具有softmax激活(使用Activation模块)函数的最终密集层(Dense API)。

Keras还提供了创建我们自己的自定义图层的选项。可以通过对Keras.Layer类进行子类化来创建自定义图层，这类似于对Keras模型进行子类化。

核心模块

Keras还提供了大量内置神经网络相关功能，以正确创建Keras模型和Keras层。一些函数如下-

• 激活模块-激活函数是ANN中的重要概念，激活模块提供了许多激活函数，例如softmax，relu等，

• 损失模块-损失模块提供了诸如mean_squared_error，mean_absolute_error，泊松等损失函数，

• 优化器模块-优化器模块提供诸如adam，sgd等的优化器函数，

• 正则化器-正则化器模块提供L1正则化器，L2正则化器等功能，

让我们在下一章中详细学习Keras模块。