2020.11.14，在一番繁琐的安装之后，终于把keras安装上了
迫不及待的开始试验
keras的后端引擎是tensorflow
keras介绍
引用文献：keras官网
Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。
如果你在以下情况下需要深度学习库，请使用 Keras：
- 允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。
- 同时支持卷积神经网络和循环神经网络，以及两者的组合。
- 在 CPU 和 GPU 上无缝运行。
我通过anaconda安装了GPU和CPU版本，由于我的GPU内存较低
下面是keras简单的小例子
from keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()
#导入MNIST数据集
from keras import models
from keras import layers #导入层
network = models.Sequential()
network.add(layers.Dense(512, activation='relu',input_shape=(28 * 28,))) #relu函数
network.add(layers.Dense(10, activation='softmax')) #softmax函数
network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy']) #编译步骤
#准备图像数据
train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255
#准备标签
from keras.utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
拟合操作
network.fit(train_images, train_labels, epochs=2, batch_size=10)
执行结果如下
...
59910/60000 [============================>.] - ETA: 0s - loss: 0.1182 - acc: 0.9726
59990/60000 [============================>.] - ETA: 0s - loss: 0.1180 - acc: 0.9726
60000/60000 [==============================] - 45s 749us/step - loss: 0.1180 - acc: 0.9726可以看到精确度为97.26%
以上过程就是keras的hello world！
说明，也许你的结果会不一样，我测试的最高精度为99%
