安装keras依赖的库
sudo pip install numpy
sudo pip install scipy
sudo pip installl pyyaml
sudo pipi install HDF5,h5py
注意scipy是依赖numpy的
安装keras
sudo pip install kera
安装TensorFlow作为后端（backend),Theano同理
sudo pip install TensorFlo
或者采用清华大学的镜像
CPU版本
sudo pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple/ TensorFlow
GPU版本
pip install \
-i https://pypi.tuna.tsinghua.edu.cn/simple/ \
https://mirrors.tuna.tsinghua.edu.cn/tensorflow/linux/gpu/tensorflow_gpu-1.5.0-cp35-cp35m-linux_x86_64.whl
以上是安装keras和TenforFlow的步骤，我使用的elementray os 直接安装成功
————————————————————————————————————————————————————————————————————————————————
下面是keras的基础
张量的阶数是纬度或者是轴，来自Axis
例如：
[[1,2],[3,4]]
是二阶张量，两个纬度（我所理解的是横竖，即坐标轴，不过轴的方向不同。）
沿着0轴（因为Python中索引从0开始）
[1,2]
[3,4]
沿着1轴
[1,3]
[2,4]
当keras使用tensorflow为后端的时候，如果计算机有可用GPU时会自动调用GPU,
若使用Theano为后端支持的时候，可以使用语句更改，官方文档中有三种
我感觉最合适的是在代码前面加上：
import theano
theano.config.device ='gpu'
theano.config.floatX='float32'
keras模型的保存和重新实例化
保存
model.save(filepath)
filepath应该包括fileename,如filename.h5
保存在一个HDF5文件中
包括：
模型结构，便于重构
模型权重
训练配置
优化器状态，便于从上次的位置开始
重新实例化模型
keras.model.load_model(filepath)
如果你只想保存结构，不包括配置信息，或者权重信息。这些文件甚至可以人为打开编辑。
#保存json
json_string=model.to_json() #保存为YAML
yaml_string=model.to_yaml(）
从上面文件中恢复
from keras.model import model_from_json
#from json
model = model_from_json(json_string) #from yaml
from keras.model import model_from_yaml model = model_from_yaml(yaml_string)
保存权重
#save wights
model.save_weights('my_model_weights.h5') #若在代码中初始化一个相同的模型：
model.load_weights('my_load_wights.h5')
#加载权重到不同的网络结构中去,通过层名加载模型
model.load_weights('my_load_wights.h5',by_name=True)