Keras主要包括14個模塊，本文主要對Models、layers、Initializations、Activations、Objectives、Optimizers、Preprocessing、metrics共計8個模塊分別展開介紹，并通過一個簡單的Bp神經網絡說明各個模塊的作用。?
1. Model?
包：keras.models?
這是Keras中最主要的一個模塊，用于對各個組件進行組裝?
eg:

from keras.models import Sequential
model=Sequential() #初始化模型
model.add(...) #可使用add方法組裝組件

2. layers?
包：keras.layers?
該模塊主要用于生成神經網絡層，包含多種類型，如Core layers、Convolutional layers等?
eg:

from keras.layers import Dense #Dense表示Bp層
model.add(Dense(input_dim=3,output_dim=5)) #加入隱含層

3. Initializations?
包：keras.initializations?
該模塊主要負責對模型參數（權重）進行初始化，初始化方法包括：uniform、lecun_uniform、normal、orthogonal、zero、glorot_normal、he_normal等?
詳細說明：http://keras.io/initializations/?
eg:

model.add(Dense(input_dim=3,output_dim=5,init='uniform')) #加入帶初始化（uniform）的隱含層

4. Activations?
包：keras.activations、keras.layers.advanced_activations（新激活函數）?
該模塊主要負責為神經層附加激活函數，如linear、sigmoid、hard_sigmoid、tanh、softplus、relu、 softplus以及LeakyReLU等比較新的激活函數?
詳細說明：http://keras.io/activations/?
eg:

model.add(Dense(input_dim=3,output_dim=5,activation='sigmoid')) 加入帶激活函數（sigmoid）的隱含層

Equal to:

model.add(Dense(input_dim=3,output_dim=5)) 
model.add(Activation('sigmoid'))

5. Objectives?
包：keras.objectives?
該模塊主要負責為神經網絡附加損失函數，即目標函數。如mean_squared_error，mean_absolute_error ，squared_hinge，hinge，binary_crossentropy，categorical_crossentropy等，其中binary_crossentropy，categorical_crossentropy是指logloss?
注：目標函數的設定是在模型編譯階段?
詳細說明：http://keras.io/objectives/?
eg:

 model.compile(loss='binary_crossentropy', optimizer='sgd') #loss是指目標函數

6. Optimizers?
包：keras.optimizers?
該模塊主要負責設定神經網絡的優化方法，如sgd。?
注：優化函數的設定是在模型編譯階段?
詳細說明：http://keras.io/optimizers/?
eg:

model.compile(loss='binary_crossentropy', optimizer='sgd') #optimizer是指優化方法

7. Preprocessing?
包：keras.preprocessing.(image\sequence\text)?
數據預處理模塊，不過本人目前尚未用過?
8. metrics?
包：keras.metrics?
與sklearn中metrics包基本相同，主要包含一些如binary_accuracy、mae、mse等的評價方法?
eg:

predict=model.predict_classes(test_x) #輸出預測結果
keras.metrics.binary_accuracy(test_y,predict) #計算預測精度

9. Bp 神經網絡的簡單實現

from keras.models import Sequential #導入模型
from keras.layers import Dense #導入bp層
train_x,train_y #訓練集
test_x,text_y #測試集
model=Sequential() #初始化模型
model.add(Dense(input_dim=3,output_dim=3,activation='sigmoid'，init='uniform'))) #添加一個隱含層，注：只是第一個隱含層需指定input_dim
model.add(Dense(1,activation='sigmoid')) #添加輸出層
model.compile(loss='binary_crossentropy', optimizer='sgd')  # 編譯，指定目標函數與優化方法
model.fit(train_x,train_y ) # 模型訓練
model.evaluate(test_x,text_y ) #模型測試