在網路上搜尋 TensorFlow 相關的資訊的時候，常常會看到另外一個工具 Keras 的出現。Keras 是一套深度學習的程式庫，也是一套由 Python 打造而成的開源軟體，常常搭配著 TensorFlow 一起使用。

在介紹 Keras 之前，先來介紹深度學習當中的神經網路

什麼是神經網路？

當人類在發展機器學習的時候，除了要讓機器能夠像人類一樣的判斷或預測事物之外，同時也希望能讓機器像人類大腦一樣的學習，也就是模擬大腦中的神經元運作。

神經元的運作很簡單，一個神經元可能接受到一個或是多個其他神經元的訊號，這時候這個神經元會進行處理，最後發出訊號給其他的神經元。

那麼，神經元到底是怎麼「處理」然後「發送」訊息的呢？這取決於來源訊號的權重（weight）以及閾值（threshold)

假設某個神經元可以接收來自另外三個神經元的訊號，這時候收到訊號大小的總和，會等於各自訊號大小乘以各自的權重。可以這麼想像，就是來自某些神經元的訊號對於決策比較重要，因此會給予較大的權重，對於那些比較不重要的訊號，就會給予比較小的權重。

但是最後這個接收完訊號的神經元，要不要發出訊號（做出決策，to go or not to go），就要看我們設定的閾值有多高。閾值可以想像是一個門檻，當訊號要大到某一種程度的時候，才會讓神經元發出訊號，如果收到的累積訊號太小，就不會發出訊號

如何訓練？

其實跟前面提到機器學習的方式是差不多的，我們使用訓練資料來訓練機器，過程中機器將不斷的調整權重與閾值，直到得到好的預測結果。和先前的梯度下降一樣，這裡也會有不同的算法來提升效率與準確度

圖片來源

上面這張示意圖是有一個隱藏層的神經網路，代表 input 進來的資訊，只會經過一層神經元的轉換，然後得出 output，然而實際上我們可以在中間加入多層的神經元，越多層的神經元我們的學習深度越深，這也是深度學習這個詞的由來。

越深越好嗎？

理論上要處理更為複雜的問題的時候，我們就需要應用尺度更大的神經元系統來處理，但是更多的神經元代表將消耗更多的計算成本，有些問題不需要殺雞焉用牛刀，夠用就好！