首先安装TensorFlow并导入keras，然后用Sequential或函数式API构建模型，接着编译、训练并评估模型，最后可保存为HDF5或SavedModel格式供后续加载使用。
Python Keras怎么用？——Keras深度学习库使用指南
Keras 是一个高层神经网络 API，用 Python 编写，能够运行在 TensorFlow、Theano 或 CNTK 之上。它以用户友好、模块化和可扩展性著称，非常适合快速构建和实验深度学习模型。本文将带你从基础到实践，掌握 Keras 的基本用法。
1. 安装与环境配置
Keras 已被集成进 TensorFlow 2.x，推荐直接使用 tensorflow.keras 模块，无需单独安装 Keras。
- 安装 TensorFlow（包含 Keras）：
- 验证是否安装成功：
print(tf.__version__)
如果输出版本号（如 2.10.0），说明安装成功，可以开始使用 Keras。
立即学习“Python免费学习笔记（深入）”；
2. 构建第一个神经网络模型
以经典的 MNIST 手写数字识别为例，展示如何使用 Keras 构建并训练一个简单的全连接网络。
import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical# 加载数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()# 数据预处理
x_train = x_train.reshape(60000, 784).astype('float32') / 255
x_test = x_test.reshape(10000, 784).astype('float32') / 255
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)# 构建模型
model = models.Sequential()
model.add(layers.Dense(128, activation='relu', input_shape=(784,)))
model.add(layers.Dropout(0.2))
model.add(layers.Dense(10, activation='softmax'))# 编译模型
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])# 训练模型
model.fit(x_train, y_train,
epochs=5,
batch_size=32,
validation_split=0.1)# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'测试准确率: {test_acc:.4f}')
3. 常用组件详解
Keras 提供了丰富的模块来构建复杂模型，以下是核心组件的简要说明。
-
Sequential 模型：适用于线性堆叠层的网络，通过
model.add()添加层。 - 函数式 API：支持更复杂的结构（如多输入/输出、共享层）。例如：
x = layers.Dense(64, activation='relu')(inputs)
outputs = layers.Dense(10, activation='softmax')(x)
model = tf.keras.Model(inputs=inputs, outputs=outputs)
-
常用层类型：
- Dense：全连接层
- Conv2D：二维卷积层（用于图像）
- MaxPooling2D：最大池化
- LSTM：循环神经网络层
- Dropout：防止过拟合
-
编译参数：
- optimizer：如 'adam', 'sgd'
- loss：如 'mse', 'categorical_crossentropy'
- metrics：如 'accuracy'
4. 模型保存与加载
训练好的模型可以保存以便后续使用。
- 保存整个模型：
# 或使用 SavedModel 格式
model.save('my_model_dir/')
- 加载模型：
loaded_model = load_model('my_model.h5')
加载后可直接用于预测或继续训练。
基本上就这些。Keras 的设计让深度学习变得直观易懂。只要理解数据预处理、模型搭建、编译训练和评估的基本流程，就能快速上手大多数任务。不复杂但容易忽略的是细节，比如数据归一化、标签编码和 batch_size 的选择。多练习几个项目，比如 CIFAR-10 图像分类或文本情感分析，你会越来越熟练。
