天才一秒记住【畅想小说网】地址：http://www.cxtra.net
这里的模块化意味着可以直接调用许多模块，只需要知道模块的输入输出，而不必关心模块是如何实现的。
通俗地讲，这种模块化的特性使得构建深度学习模型变得像搭积木一样容易。
Keras可以很方便地构建深度学习的两种重要的深度神经网络——卷积神经网络和递归神经网络，并且支持它们的组合。
深度学习的计算很多时候需要使用GPU，Keras可以在CPU和GPU之间实现无缝切换，这意味着使用者不必关心具体是通过CPU还是GPU计算，只需要关心训练结果即可。
图7-2给出了Keras的模块结构，其中有些是比较复杂的，读者现在还不需要完全了解它们，只需要了解到它们大致分成了下述六个部分，请结合后续的实例理解各个模块的含义和作用。
图7-2Keras的模块结构（来自Keras文档）
（1）后端
后端相当于底层计算接口，所有Keras编写的程序最后都会转化成TensorFlow的程序来运行。
更直观地说，后端可以看作Keras和TensorFlow之间的翻译器，而Keras会自动完成这个翻译过程。
（2）网络配置
顾名思义，网络配置是与网络结构有关的各种参数。
这里的网络指的是深度学习中的深度神经网络，可以将深度网络比喻成高楼大厦，这一部分就是与高楼大厦有关的各种结构和参数。
例如，楼有几层，使用什么材料建造，每层层高多少米等。
需要说明的是，这一部分并没有看起来那么简单，甚至某种意义上这部分是深度学习的精华和难点，往往需要多年的实践经验才能针对特定问题给出恰当的网络配置。
读者们可以慢慢加强这方面的学习和思考。
（3）数据预处理
进行深度学习之前，通常要对数据进行处理。
需要注意，本教材所提供的数据都是经过处理的，这是理想状况。
很多实际问题中的数据并不是拿来就可以直接作为神经网络的原始输入数据的。
例如，最简单的需要处理数据的情形就是数据缺失，也就是某些样本没有数值，这也是需要“预先”
处理的，所以这个过程被形象地称为数据预处理。
（4）模型
Keras支持两种模型，一种是序贯模型，一种是函数式模型。
本书主要使用序贯模型，但不会对这两种模型进行深入探讨。
感兴趣的读者可以在掌握了本书内容后进一步学习。
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！