keras官网（python3.6安装keras模块成功，但是运行不了，请问什么情况）

本文目录

• python3.6安装keras模块成功，但是运行不了，请问什么情况
• 如何比较Keras，TensorLayer，TFLearn
• 如何高效的学习TensorFlow代码

python3.6安装keras模块成功，但是运行不了，请问什么情况

官网有要求：在安装Keras前请先安装以下其中一种依赖引擎：TensorFlow, Theano, or CNTK

Before installing Keras, please install one of its backend engines: TensorFlow, Theano, or CNTK. We recommend the TensorFlow backend.

如何比较Keras，TensorLayer，TFLearn

首先它们都是把神经网络抽象成不同的Layer，以便用户自定义网络。
Keras
优点：Theano时代就推出了，使用者较多，有个人维护的中文文档，虽然更新很慢。纯scikit-learn式编程，隐藏了数据流的细节，数据流没有叙述的很清楚，到目前为止，并没有理解keras的时间数据输入方式...
缺点：运行TensorFlow时很慢，拓展性差（国外测评说是因为 Keras 最开始只是为了 Theano 而开发的，TensorFlow发布后才写支持TensorFlow的代码，所以为了兼容牺牲了效率）。不适合科研单位和企业，换句话说毕业以后要重新学另外一个框架..... 复杂的情况会出现error，这时候调试只能靠运气了。。
TensorLayer
优点：对学术界的优势是灵活性很强，甚至可以很简单地实现动态网络结构（Neural Modular Network）.... 对工业界的优势是运行速度快。教程很强大，还包含了 Google TensorFlow 官网的模块化实现。同时提供scikit-learn式的API，和专业级的API，适合新手到老手过渡。
缺点：刚刚推出（16年8月份）使用者少，但我发现中文使用者不少，有很多微信群、qq群可以交流，有可能和TL官方推出中文文档有关。
Tflearn
优点：不像Keras那样兼容两种后端，所以效率比 Keras 快，但根据国外测评还是比 TensorLayer慢一些。
缺点：维护不好，作者居然在github issues那里说 “有时间再实现 seq2seq”，我晕... 有对话为证Seq2Seq Machine Translation · Issue #120 · tflearn/tflearn · GitHub
国外对 TensorLayer 和 Keras 比较的结论基本是企业界和学术界使用 TensorLayer+TensorFlow 搭配，学生使用Keras（若未来想从事机器学习的工作，我个人建议还是好好看下TensorFlow吧）。
个人观点：学习 TensorFlow 是一个大趋势，题主提到的库都是基于 TensorFlow 开发的，选择一个库非常关键。若想熟练掌握深度学习，不妨先学习下 TensorFlow 本身

如何高效的学习TensorFlow代码

如何高效的学习 TensorFlow 代码?

2017-03-29

分类：

TensorFlow

目前TensorFlow代码已超过40w行，从代码量上来看，绝不是一个能够迅速上手的小项目。所以，想要精通TensorFlow的同学需要做好心理准备。

对于想要学习TensorFlow（以下简称TF）的人，根据目的不同，可以简单分为以下2类：1. 研究学者，仅仅需要TF这个平台实现深度学习算法，无需了解太多底层原理2. 好学的行业内人员（比如我⊙﹏⊙），不仅需要了解算法模型，同时还要熟悉TF平台的原理。在算子、通信、模型优化等方面进行平台的二次开发的人。研究学者： 你们可以考虑使用Keras，Python写的深度神经网络库，已经实现了绝大部分神经网络，如：RNN、GRU、LSTM，CNN，Pooling，Full-Connected，以及sigmoid、tanh、Relu、PRelu、SRelu等各种激活函数。并且采用TF/Theano作为后端计算引擎，自己本身拥有一套更高层的API，可以同时跑在TF/Theano平台上。 相对于TF来说，这个学习压力小了很多，我们公司负责算法的同事也是用Keras来写模型，然后我再用TF的API来实现分布式部署。附：

开发人员： 对于我们这类人来说，首先需要弄清平台的很多名称、概念、定义， @贾扬清 曾说过TF有太多的Abstraction需要学习。诚然，这加大了我们的学习难度。但是，这也说明Google是想要把这个平台做大做强的，所以才会花时间去设计这一套框架和统一的结构。特别是读了部分源码后，更有这种感触。 那么，具体要怎么开始呢？ 极客学院有翻译部分TF的官方文档，对于初步了解Tensor、DAG、Operator、Variable、Device、Optimizer等是帮助的。在看完这些概念后，有一个MNIST的例子程序作为TF的入门。这个样例用一个简单的Softmax实现了手写体数字识别的神经网络，只有一层参数。同时还介绍了Session、tf.placeholder、图的计算等重要概念。 在看完这个样例后，如果理解了DAG和Session，可以继续看用卷积神经网络实现的MNIST，准确率上升到了99%，相对于单层Softmax的92%左右，已经接近目前最高的准确率了。

TF v0.8发布了分布式模型，我也研究了将近1个月，才把Seq2seq机器翻译改造成了分布式，但是现在公司不让发布出来ORZ。好消息是，我改写了社区的MNIST分布式程序，并且已经合并到master分支了。所以，如果想要继续学习分布式的话，我建议可以看一下那份代码。比较遗憾的是，极客学院目前没有翻译分布式的教程，所以大家得移步TF官网（貌似被墙了）。 由于分布式的资料较少，我这里简单梳理下概念，大家在官网会看到他们的定义： TF采用了PS/Worker的结构来定义集群，其中 PS(parameter server)：存储variable（模型参数），主要负责参数更新和发放； Worker：存储operator，主要负责图计算和梯度计算（TF使用Optimizer实现了自动化的梯度计算）； job：由于工作类型不同，用job_name来区分ps和worker task：对于每个worker来说，具体做什么任务（算什么图）也有可能不同，用task_index区分 device：指具体的CPU/GPU，通常PS绑定到CPU上，Worker绑定到GPU上，各取所长。 syncReplicaOptimizer：同步优化器，其本质仍然是用普通优化器进行梯度计算，但是通过Queue机制和Coordinator多线程协同实现了所有worker的梯度汇总和平均，最终将梯度传回PS进行参数更新。 以上几个概念对于分布式的理解非常重要。当然，想要完全弄懂，还得不断的看文档和源码。源码我推荐几个python目录下非常值得看的基础类定义： framework/Ops.py：定义了Tensor、Graph、Opreator类等 Ops/Variables.py：定义了Variable类