Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端

pip3 install tensorflow-gpu==1.8.0
# Python语言用于数字图像处理 
# scikit-image 是基于scipy的一款图像处理包，它将图片作为numpy数组进行处理，正好与matlab一样
pip3 install scikit-image
# Keras:基于Python的深度学习库
# Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端
pip3 install keras

Keras的核心数据结构是“模型”，模型是一种组织网络层的方式。
Keras中主要的模型是Sequential模型，
Sequential是一系列网络层按顺序构成的栈。
你也可以查看函数式模型来学习建立更复杂的模型

Sequential模型如下

    from keras.models import Sequential

    model = Sequential()
    
将一些网络层通过.add()堆叠起来，就构成了一个模型：
    from keras.layers import Dense, Activation

    model.add(Dense(units=64, input_dim=100))
    model.add(Activation("relu"))
    model.add(Dense(units=10))
    model.add(Activation("softmax"))

完成模型的搭建后，我们需要使用.compile()方法来编译模型：
     model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

编译模型时必须指明损失函数和优化器，如果你需要的话，也可以自己定制损失函数。
Keras的一个核心理念就是简明易用，同时保证用户对Keras的绝对控制力度，
用户可以根据自己的需要定制自己的模型、网络层，甚至修改源代码。

    from keras.optimizers import SGD
    model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

完成模型编译后，我们在训练数据上按batch进行一定次数的迭代来训练网络
    model.fit(x_train, y_train, epochs=5, batch_size=32)
当然，我们也可以手动将一个个batch的数据送入网络中训练，这时候需要使用：    
    model.train_on_batch(x_batch, y_batch)
随后，我们可以使用一行代码对我们的模型进行评估，看看模型的指标是否满足我们的要求：
    loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
或者，我们可以使用我们的模型，对新的数据进行预测：
    classes = model.predict(x_test, batch_size=128)