今天會開始進入另一個用於機器學習的函式庫－keras，它更是為了深度學習創建的！今天會介紹基本的keras應用帶大家做一些基礎的練習！
在這裡也要先跟有在關注我的朋友們說聲抱歉，最近學校的事情實在是太多了，我也沒有存明天、後天的文章，都是當天花3~4小時去整理的，那我會在這周末把自己整頓好，並且花更多時間在這上面的！我也會努力保持著一篇文章該有的質量！還請你們繼續關注！

Keras介紹

圖片來源
昨天有提到keras是一個深度學習的開源函式庫，它Keras開發的重點就是支持快速的實驗，它能夠提供簡單而快速的原型設計，意思就是Keras是個高度模組化的函式庫，它可以讓用戶快速的去建造神經網路並訓練模型。
用Tensorflow和keras幾乎都可以做到一模一樣的事情，但我認為在實作Tensorflow時，會比較了解自己在幹嘛，而Keras相較Tensorflow比較簡單快速建造，然而，也是因為太過方便而造成比較不靈活的狀況發生。但也是因為Keras建造簡單，可以大大降低初學者進入深度學習的門檻！

來寫程式吧！

那因為keras建置簡單，我會以實例的方式向大家介紹比較基礎、重要的指令，開始！

建置Sequential模型

from keras.models import Sequential　 #引入Sequential函式
model = Sequential()

那，Sequential()是啥玩意呢？Sequential()就是我們定義模型的開始，在上面有提到，Keras常用來做深度學習，昨天也有說到深度學習的第一步就是建構神經網路架構，那麼我們就是要靠Sequential()進行建造網路架構，常用的方法以下有兩種：
1.直接在Sequential()裡面定義層數、激勵函數：

from keras.models import Sequential #引入Sequential函式
from keras.layers import Dense, Activation #引入層數及激勵函數

model = Sequential([
    Dense(512, input_shape=(784,)), 
    #Dense：全連接層 
    #輸入的張量，784神經元(或稱組數輸入)
    #512是輸出的神經元數量(或稱組數)
    Activation('relu'), #設定激活層並採用relu
])
print(model.summary()) #顯示目前網路架構

輸出：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_17 (Dense)             (None, 512)               401920    
_________________________________________________________________
activation_16 (Activation)   (None, 512)               0         
=================================================================
Total params: 401,920
Trainable params: 401,920
Non-trainable params: 0
_________________________________________________________________
None

2.用add疊加上去

from keras.models import Sequential #引入Sequential函式
from keras.layers import Dense, Activation #引入層數及激勵函數
model = Sequential() #定義模型
model.add(Dense(512,input_shape=(784,))) #加入神經層第一層(輸入784)輸出512
model.add(Activation('relu')) #激勵層
print(model.summary()) #顯示架構

輸出：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_18 (Dense)             (None, 512)               401920    
_________________________________________________________________
activation_17 (Activation)   (None, 512)               0         
=================================================================
Total params: 401,920
Trainable params: 401,920
Non-trainable params: 0
_________________________________________________________________
None

那什麼是Param呢？就是參數的意思，也就是每層神經元的權重(w)個數。
怎麼算出來的？Param = (輸入維度+1) * 輸出的神經元個數，但是每個神經元都要考慮到有一個Bias，所以要再加上1。
來算一下上面的，(784 + 1) * 512 = 401,920

直接實作簡單案例：JOHN國房價

召喚Data

下圖JOHN國的房價，JOHN國的房價很簡單，只受到坪數大小的影響。
id | price | sqft_living
------------- | ----------
1 | 500000 | 55
2 | 275000 | 27
3 | 360000 | 33
4 | 780000 | 70
5 | 145000 | 13
6 | 280000 | 26
7 | 860000 | 89
8 | 200000 | 21
9 | 90000 | 10
10 | 680000 | 67
上code：

from keras.models import Sequential
from keras.layers import Dense
from keras import optimizers
model = Sequential()
model.add(Dense(1,input_shape=(1,))) #加入神經層第一層(1維)輸出1維(因為資料和輸出都是一維的)
sgd = optimizers.sgd(lr=0.0001) 
#sgd是隨機梯度下降法，括號內學習率寫0.0001(資料比較少，過大的學習率會無法找到最佳解)
model.compile(loss = 'mse',optimizer = sgd) #設定model的loss和優化器(分別是MSE和SGD)

model.fit(x_data,y_data,epochs = 200) #1.x資料(坪數)2.y標籤(房價)3.epcohs是指疊代200次
pred = model.predict(x_data) #訓練好model使用predict預測看看在訓練的model跑的回歸線
W, b = model.layers[0].get_weights() #抓出全重和偏差
print('Weights=', W, '\nbiases=', b)

plt.plot(x_data,pred) #畫出回歸線
plt.plot(x_data, y_data, 'o') #畫出原本的點

輸出：
1.剛開始訓練：

2.訓練結束：

3.輸出圖：

基本上，Keras就是這幾個基礎的步驟，比較重要的就是前面的網路架構和一些參數要再細細討論！

今天把Keras重要的部分介紹完畢了，比較細節的地方會在房價預測一併分享，因為Keras比較好上手，沒有太多的眉角！那明天會先介紹有名的資料科學網站－Kaggle，要繼續關注哦～