趋近智
为了成功地构建和训练深度学习 (deep learning)网络,需要对人工神经元、网络结构以及它们如何通过监督方法学习的原理有所了解。对于任何非简单的网络来说,手动实现正向传播和反向传播 (backpropagation)的数学运算会迅速变得复杂且容易出错。这时,深度学习框架就派上用场了,它们提供高层构建模块和优化过的操作。Keras 便是其中一个最受欢迎且用户友好的框架。
“Keras 是一个用于神经网络 (neural network)的高级 API (应用程序编程接口)。可以将其视为一个规范,或者一个用户友好的控制面板,用于定义、训练和评估深度学习模型。它注重开发者体验,让您只需相对较少的代码行数即可构建复杂的模型。Keras 的设计遵循指导原则,使其特别适合于学习深度学习知识和构建应用程序:”
需要了解的一个重要方面是,Keras 本身不直接执行底层张量操作(如矩阵乘法和梯度计算)。相反,它作为一个接口,依赖于一个底层后端引擎来完成这些优化的计算。
从历史上看,Keras 与 TensorFlow 密切相关。然而,从 Keras 3 开始,该框架真正实现了多后端支持。这意味着您只需编写一次 Keras 代码,即可选择在不同的优化张量库上运行它:
Keras 作为一个高级接口,让您可以选择一个底层后端(PyTorch、TensorFlow 或 JAX)进行数值计算。
在本课程中,我们将主要使用 Keras 3 和 PyTorch 后端。 这一选择反映了 PyTorch 日益增长的使用率,尤其是在研究中,及其备受赞誉的开发者体验。然而,Keras 3 的优点在于,您编写的大部分代码都可以在不同后端之间移植,只需少量或无需修改,为您提供了宝贵的灵活性。
Keras 提供多个优势,尤其是在您学习和构建标准深度学习 (deep learning)模型时:
通常,使用 Keras 涉及以下步骤:
fit() 方法将模型拟合到您的训练数据上(在第 3 章中讲解)。Keras 为这些步骤的每一步都提供了清晰、高级的函数,抽象化了大部分底层复杂性。
有了这些了解,知道了 Keras 是什么以及它为何是深度学习 (deep learning)的一个有用工具,接下来要确保您已安装并准备好使用它。下一节将指导您设置 Python 环境,使其与 TensorFlow(默认包含 Keras 3)或 PyTorch 后端一起使用 Keras。
这部分内容有帮助吗?
© 2026 ApX Machine LearningAI伦理与透明度•