深度学习可用的工具很多，例如，Google开发的深度学习平台TensorFlow。但是TensorFlow使用起来相对复杂，所以本教材使用易用性更好的Keras来讲解深度学习的具体实现。
Keras是由纯Python编写的深度学习框架，使用TensorFlow、Pytorch或者CNTK作为后端运行。用纯Python编写意味着所有的Keras代码都是通过Python语句实现的，可以通过Python的代码编辑工具打开源代码进行学习。在学习Python编程的过程中，阅读Keras经典模块的Python代码是一种非常好的学习方式。
在Keras开发团队写的官方文档中，他们详细说明了设计Keras时遵循的原则。
（1）用户友好
Keras是为人类而不是“天顶星人”①设计的API，用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践：Keras提供一致而简洁的API，能够极大减少一般应用下用户的工作量，同时，Keras还提供清晰和具有实践意义的bug反馈。
（2）模块性
模型可理解为一个层的序列或数据的运算图，完全可配置的模块可以用最少的代价自由组合在一起。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块，你可以使用它们来构建自己的模型。
（3）易扩展性
添加新模块超级容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
（4）与Python协作
Keras没有单独的模型配置文件类型（作为对比，caffe有），模型由Python代码描述，这样可以使其更紧凑和更易debug，也更易扩展。
作为一种高级深度学习工具，Keras构造深度学习网络简单直接、容易阅读，同时它能够自动构建层与层之间的连接，更便于学习者体会深度学习的能力。选用Keras作为深度学习的入门工具的原因如下。
数学知识较少的前提下，Keras可以进行简易和快速的原型设计，因为它具有高度模块化、极简和可扩充的特性。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
