Keras的口號是：

儘可能縮短從想法到結果的延遲是做好研究的關鍵。

所以，推薦用Keras來學習深度學習（像不像繞口令）。對於學習而言，及時反饋非常非常重要。所以程式語言的學習經常推薦用REPL（讀取-求值-輸出 迴圈，Read-Eval-Print Loop）。深度學習同理。

得益於Keras精心設計的API和優良的文件，用Keras搭神經網路，是難以想象的方便。不消一刻鐘，參考Keras的文件，就可以搭一個神經網路：

# 匯入模組

from keras.models import Sequential

from keras.layers import Dense

import numpy as np

model = Sequential()

# 加上一些密集層

model.add(Dense(units=64, activation=’relu’, input_dim=1424))

model.add(Dense(units=2696))

# 指定損失函式為MSE，使用Adam最佳化

model.compile(loss="mse", optimizer="adam")

# 擬合數據

model.fit(predictors[0:80,], estimator[0:80,], validation_data=(predictors[81:,],estimator[81:,]), epochs=80, batch_size=32)

# 儲存結果

np.savetxt("keras_fit.csv", model.predict(data), delimiter=",")

看，我沒有騙你，就是這麼簡單。

深度學習現在是比較熱門，因為Keras是為人類而不是天頂星人設計的API。使用者的使用體驗始終是我們考慮的首要和中心內容。

Keras是一個高層神經網路API，Keras由純Python編寫而成並基Tensorflow、Theano以及CNTK後端。Keras 為支援快速實驗而生，能夠把你的idea迅速轉換為結果。

Keras的核心資料結構是“模型”，模型是一種組織網路層的方式。Keras中主要的模型是Sequential模型，Sequential是一系列網路層按順序構成的棧。你也可以檢視函式式模型來學習建立更復雜的模型，搭建一個問答系統、影象分類模型，或神經圖靈機、word2vec詞嵌入器就是這麼快。支撐深度學習的基本想法本就是簡單的。