說明
以下程式碼引自Keras的Github網站：

為了學習Keras 平臺進行深度學習建模的過程，我加入了一些備註和說明。
程式碼

from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from
 
 keras import backend as K

batch_size = 128
num_classes = 10
epochs = 12

# input image dimensions
img_rows, img_cols = 28, 28

# the data, shuffled and split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0
 
], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1
 
)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

一些說明：

1.Sequential

Sequential是Keras中的序貫模型，可用於構建出多個網路層的線性堆疊。
可以通過向Sequential模型傳遞一個layer的list來構造該模型，

from keras.models import Sequential
from keras.layers import Dense, Activation

model = Sequential([Dense(32, units=784),Activation('relu'),Dense(10),Activation('softmax'),])

或使用.add()方法一個個的將layer加入模型中。

model = Sequential()
model.add(Dense(32, input_shape=(784,)))
model.add(Activation('relu'))

2. backend
在Keras的中文文件中，有以下說明：

Keras是一個模型級的庫，提供了快速構建深度學習網路的模組。Keras並不處理如張量乘法、卷積等底層操作。這些操作依賴於某種特定的、優化良好的張量操作庫。Keras依賴於處理張量的庫就稱為“後端引擎”。Keras提供了三種後端引擎Theano/Tensorflow/CNTK，並將其函式統一封裝，使得使用者可以以同一個介面呼叫不同後端引擎的函式

也就是說Keras對於張量等的操作依賴於backend的不同，當代碼中涉及到相關的操作時，可能需要有針對性的調整。如上面程式碼中 K.image_data_format() 就對backend的圖片資料格式進行了判斷處理。

3.keras.utils.to_categorical

該函式用於將單個數值變為類別形式。
例如，原資料集的y_train前五組資料為：

[5 0 4 1 9]

經過
y_train = keras.utils.np_utils.to_categorical(y_train, num_classes)
變換後，成為

[[ 0.  0.  0.  0.  0.  1.  0.  0.  0.  0.]
 [ 1.  0.  0.  0.  0.  0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  1.  0.  0.  0.  0.  0.]
 [ 0.  1.  0.  0.  0.  0.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  1.]]

4.Dense層
Dense就是常用的全連線層，所實現的運算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素計算的啟用函式，kernel是本層的權值矩陣，bias為偏置向量，只有當use_bias=True才會新增。
程式碼：

keras.layers.core.Dense(units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

示例：

# as first layer in a sequential model:
model = Sequential()
model.add(Dense(32, input_shape=(16,)))
# now the model will take as input arrays of shape (*, 16)，and output arrays of shape (*, 32)

# after the first layer, you don't need to specify
# the size of the input anymore:
model.add(Dense(32))

5.Activation層
Activation層為啟用層，對一個層的輸出施加啟用函式，程式碼：

keras.layers.core.Activation(activation)

其中activation為預定義啟用函式，可選引數如下：
softmax，elu，selu，softplus，softsign，relu，tanh，sigmoid，hard_sigmoid，linear

6.Dropout層
為輸入資料施加Dropout。Dropout將在訓練過程中每次更新引數時按一定概率（rate）隨機斷開輸入神經元，Dropout層用於防止過擬合。

keras.layers.core.Dropout(rate, noise_shape=None, seed=None)

具體原理可參考：

7.Flatten層
Flatten層用來將輸入“壓平”，即把多維的輸入一維化，常用在從卷積層到全連線層的過渡。Flatten不影響batch的大小。

keras.layers.core.Flatten()

8.Conv2D層
二維卷積層，該層對二維輸入進行滑動窗卷積，當使用該層作為第一層時，應提供input_shape引數。例如input_shape = (128,128,3)代表128*128的彩色RGB影象（data_format=’channels_last’）

keras.layers.convolutional.Conv2D(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

9.MaxPooling2D層
為空域訊號施加最大值池化

keras.layers.pooling.MaxPooling2D(pool_size=(2, 2), strides=None, padding='valid', data_format=None)

10. compile
在訓練模型前，需要設定學習流程，主要設定3個變數：optimizer， losses，metrics。
程式碼示例：

model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])

11. fit
按照設定的batch,epoch進行訓練，

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test)

其中verbose引數為0時不更新計算資訊，為1則更新計算資訊。
12.evaluate
對訓練出的模型進行評估，並返回結果。

model.evaluate(x_test, y_test, verbose=0)