Keras 是一个用 Python 编写的高级神经网络 API，它能够以CNTK, Theano或 TensorFlow 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。
指导原则：
用户友好。 Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。Keras 遵循减少认知困难的最佳实践：它提供一致且简单的 API，将常见用例所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈。
模块化。 模型被理解为由独立的、完全可配置的模块构成的序列或图。这些模块可以以尽可能少的限制组装在一起。特别是神经网络层、损失函数、优化器、初始化方法、激活函数、正则化方法，它们都是可以结合起来构建新模型的模块。
易扩展性。 新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。
基于 Python 实现。 Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这些代码紧凑，易于调试，并且易于扩展。
Keras 兼容的 Python 版本: Python 2.7-3.6。
安装日志：
我用的环境是 python 3.5.2,AnaConda 4.5.11,建议一定使用conda安装，会省很多事。如果你喜欢挑战，那就用pip试一下。
命令：conda install keras ，具体执行效果如下：
我后端安装的是Tensorflow，使用的是K+T的组合。
基于该环境做了一例子：
Multilayer Perceptron (MLP) for multi-class softmax classification:
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD
# Generate dummy data
import numpy as np
x_train = np.random.random((1000, 20))
y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)
x_test = np.random.random((100, 20))
y_test = keras.utils.to_categorical(np.random.randint(10, size=(100, 1)), num_classes=10)
model = Sequential()
# Dense(64) is a fully-connected layer with 64 hidden units.
# in the first layer, you must specify the expected input data shape:
# here, 20-dimensional vectors.
model.add(Dense(64, activation='relu', input_dim=20))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
optimizer=sgd,
metrics=['accuracy'])
model.fit(x_train, y_train,
epochs=20,
batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)
系统会提示了一个错误：
Message=softmax() got an unexpected keyword argument 'axis'
针对该问题， 是因为keras和tensorflow的版本匹配问题，基本匹配表是：
我安装的Tensorflow版本是 1.2.1， keras是最新版本
重新安装2.0.6，conda没找到，然后安装2.0.8
升级完成后遇到新问题：
module 'pandas' has no attribute 'computation'
更新dask,如下：
重新运行上面的例子
Multilayer Perceptron (MLP) for multi-class softmax classification:
结果如下：
