0. 寫在前面

從幾天開始，我就新跳入了一個坑裡，這個坑就是大家基本上競相跳的深度學習-Keras。但是入手並不順利啊，雖然它已經是深度學習中，封裝的十分棒的框架了，但是就和武器一樣，越是厲害的武器，限制條件越多。下面看看我的坎坷之路。

1. Keras安裝

1.1安裝前準備

咱屬於個人開發，要啥沒啥，環境只能是筆記本+windows+anaconda+python3.5+pycharm。
那裝Keras需要裝什麼，大家可以先看一下這裡：Keras的裝置推薦
說是要裝很多，基本上使用anaconda+pycharm的話，直接在pycharm裡直接安裝就好了。

2.2安裝後填坑

這要填的第一個坑，就是它的計算框架，預設的是TensorFlow，雖然它支援Theano，但是你想要調換的話，還需要參考：Keras切換後端，不然它預設的是TensorFlow。

缺什麼咱們再補什麼唄，於是就從Pycharm裡的庫包下載那邊去找tensorflow，別說還真有，但是安裝，額，安裝失敗。

我百思不得其解，看人家網上教程都裝的挺6的，雖然人家是linux下的吧，但也不至於裝不上吧。後來忽然想起了一個重要問題，我這是在中國。

對，tensorflow是谷歌的，於是需要翻牆。我又氣喘吁吁的翻了牆，把Tensorflow安裝了上去，我是筆記本，自己的，燒壞了顯示卡多不好，我就沒裝GPU版本的。

至此，基本上都能運行了。在我嘗試運行了一個Test以後，發現又有很多問題,原來看的是Keras中文文件。覺得不錯啊，有中文學起來快多了，後來才發現，開什麼玩笑，一個都沒法執行，總是報各種各樣的錯。後來我才去找了Keras英文文件，這才發現什麼是差距啊，英文文件寫的很好，而且還帶連線，有問題了直接就能連結過去，哎，連結過去，連結，連結不過去。。。原來是又被強了，只好又翻牆，到了TensorFlow的官方windos安裝幫助，才徹底解決。

反正中間也遇到了不少困難，報錯了，看一下報的錯，然後多去Stackoverflow那邊看看，英語的描述確實能恰到好處的解決。最後也歷經坎坷，能跑了一個測試樣例：

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

import numpy as np
data_dim = 16
timesteps = 8
num_classes = 10

# expected input data shape: (batch_size, timesteps, data_dim)
model = Sequential()
model.add(LSTM(32, return_sequences=True,
               input_shape=(timesteps, data_dim)))  # returns a sequence of vectors of dimension 32
model.add(LSTM(32, return_sequences=True))  # returns a sequence of vectors of dimension 32
model.add(LSTM(32))  # return a single vector of dimension 32
model.add(Dense(10, activation='softmax'))

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

# Generate dummy training data
x_train = np.random.random((1000, timesteps, data_dim))
y_train = np.random.random((1000, num_classes))

# Generate dummy validation data
x_val = np.random.random((100, timesteps, data_dim))
y_val = np.random.random((100, num_classes))

model.fit(x_train, y_train,
          batch_size=64, epochs=1,
          validation_data=(x_val, y_val))

另外說一點，在英文的Keras指導手冊中，給了一個Github的Examples，Examples資料夾裡都是它文件中提到的例子，可是那些非常誘人的例子，例如使用多層感知機的路透社的新聞標題分類（2017NLPCC Shared Task也有類似的任務），結果資料集需要從網上下，然而一如既往的被強了，費了九牛二虎之力下完之後，才發現什麼不能解壓，是什麼鬼。暫時沒搞定，等我搞定了再來解釋。

2. 繪製Keras模型圖

我是剛剛入門深度學習，不太知道這些是啥意思，只聽過CNN、RNN、LSTM什麼的，根本沒有一個直觀的概念，還有什麼序貫模型和函式模型，不太懂，也沒有圖能解釋，等等！圖，在Keras中文指南里，有這樣一幅圖：

我就想如果能視覺化多好了，才發現，確實可以，這個就用模型視覺化來解決。具體的參考Keras的模型視覺化。但是它有幾個問題，首先，我們使用的是整合開發環境，還用了Pycharm，因此我們可以去pycharm庫包那裡下載，不用那麼繁瑣，但是要下載的有這麼幾個模組：
graphviz,pydot,pydot_ng
但是graphviz使用包安裝以後還是不行，還是需要去官網安裝，並且配置環境變數。另外，最重要的一點是，當配置完環境變數以後，一定要重啟pycharm，這樣才行。

另外一點就是，現在的視覺化模組不叫做：keras.utils.visualize_util 了，改成了keras.utils.vis_utils了，因此引入的時候要特別注意。
等所有錯誤都不報的時候，我們就可以完成了繪圖的過程：

from keras.models import Sequential
from keras.layers import LSTM, Dense
#這一行新加的，用於匯入繪圖包
from keras.utils.vis_utils import plot_model

import numpy as np
data_dim = 16
timesteps = 8
num_classes = 10

# expected input data shape: (batch_size, timesteps, data_dim)
model = Sequential()
model.add(LSTM(32, return_sequences=True,
               input_shape=(timesteps, data_dim)))  # returns a sequence of vectors of dimension 32
model.add(LSTM(32, return_sequences=True))  # returns a sequence of vectors of dimension 32
model.add(LSTM(32))  # return a single vector of dimension 32
model.add(Dense(10, activation='softmax'))

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

# Generate dummy training data
x_train = np.random.random((1000, timesteps, data_dim))
y_train = np.random.random((1000, num_classes))

# Generate dummy validation data
x_val = np.random.random((100, timesteps, data_dim))
y_val = np.random.random((100, num_classes))

model.fit(x_train, y_train,
          batch_size=64, epochs=1,
          validation_data=(x_val, y_val))
#這一行新加的，用於繪圖
plot_model(model, to_file='model1.png',show_shapes=True)

3. 基本的執行過程

其實我也不太懂，只是剛開始的時候來對整個模型有一個淺顯的認識。總共做深度學習就這麼幾個步驟：
1. 載入訓練資料和測試資料
2. 訓練資料和測試資料預處理，比如向量化等。
3. 構造學習模型，也就是那個Add（）那個。
4. 宣告模型的各個型別，也就是Compile（）那個。
5. 然後就是fit()了，
6. 最後就是驗證模型、儲存模型等等之類的。

更細節的講解，我們需要在以後學習的過程中講解。