# 概述

## DL4J: Keras模型导入

[Keras模型导入](https://github.com/deeplearning4j/deeplearning4j/tree/master/deeplearning4j/deeplearning4j-modelimport/src/main/java/org/deeplearning4j/nn/modelimport/keras)为导入最初用[Keras](https://keras.io/)配置和训练的神经网络模型提供了例程，Keras是一个流行的Python深度学习库。

一旦你的模型导入到DL4J，我们的整个生产栈是由你来处理的。我们支持导入所有的Keras模型类型、大多数层和几乎所有的实用功能。请在[这里](/zhong-wen-v1.0.0/keras-dao-ru/zhi-chi-gong-neng.md)查看支持的Keras特性的完整列表。

## 入门：在60秒内导入一个Keras模型

要导入Keras模型，首先需要创建和[序列化](https://keras.io/getting-started/faq/#how-can-i-save-a-keras-model)这样的模型。这里有一个你可以使用的简单例子。该模型是一个简单的MLP，它采用长度为100的小批量向量，具有两个密集层，并预测总共10个类别。在定义模型之后，我们将其序列化为HDF5格式。

```python
from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))
model.compile(loss='categorical_crossentropy',optimizer='sgd', metrics=['accuracy'])

model.save('simple_mlp.h5')
```

如果将这个模型文件（`simple_mlp.h5`）放到项目的资源文件夹的根目录中，则可以将Keras模型加载为DL4J 的 MultiLayerNetwork，如下所示

```java
String simpleMlp = new ClassPathResource("simple_mlp.h5").getFile().getPath();
MultiLayerNetwork model = KerasModelImport.importKerasSequentialModelAndWeights(simpleMlp);
```

就是这样！KerasModelImport是模型导入的主要入口点，类负责在内部将Keras映射到DL4J概念。作为用户，你只需要提供你的模型文件，请参阅我们的[入门指南](/zhong-wen-v1.0.0/keras-dao-ru/ru-men.md)，以了解将Keras模型加载到DL4J中的更多细节和选项。

现在可以使用导入的模型进行推断（这里使用简单的数据来简化）

```java
INDArray input = Nd4j.create(256, 100);
INDArray output = model.output(input);
```

以下是你如何在DL4J中为你导入的模型做训练：

```java
model.fit(input, output);
```

在我们的[DL4J示例](https://github.com/deeplearning4j/dl4j-examples/blob/master/dl4j-examples/src/main/java/org/deeplearning4j/examples/modelimport/keras/basic/SimpleSequentialMlpImport.java)中可以找到刚才所示的完整示例。

## 项目设置

要在现有项目中使用Keras模型导入，只需要将下列依赖项添加到pom.xml中。

```markup
<dependency>
    <groupId>org.deeplearning4j</groupId>
    <artifactId>deeplearning4j-modelimport</artifactId>
    <version>1.0.0-beta</version> // 此版本应与其他DL4J项目依赖项匹配。
</dependency>
```

如果首先需要开始一个项目，请考虑克隆[DL4J示例](https://github.com/deeplearning4j/dl4j-examples)，并按照仓库中的说明来构建项目。

## 后端

DL4J Keras 模型导入与后端无关。 不管你选择哪一个后端 (TensorFlow, Theano, CNTK), 你的模号可以导入DL4J。

## 流行的模型与应用

我们支持为越来越多的应用程序导入，在[这里](https://github.com/deeplearning4j/deeplearning4j/blob/master/deeplearning4j/deeplearning4j-modelimport/src/test/java/org/deeplearning4j/nn/modelimport/keras/e2e/KerasModelEndToEndTest.java)查看当前所覆盖的模型的完整列表。这些应用包括

* Deep convolutional and Wasserstein GANs
* UNET
* ResNet50
* SqueezeNet
* MobileNet
* Inception
* Xception

## 故障排除与支持

`IncompatibleKerasConfigurationException`信息说明你正在尝试导入一个当前不被DL4J支持的Keras模型（要么因为模型导入不覆盖它，要么DL4J不实现该层或特征）。

一旦导入了模型，我们就推荐我们自己的“`ModelSerializer`”类来进一步保存和重新加载模型。

你可以通过访问[DL4J gitter](https://gitter.im/deeplearning4j/deeplearning4j)频道进一步咨询。你可能会考虑[通过Github来提交一个特性请求](https://github.com/deeplearning4j/deeplearning4j/issues)，这样这个缺失的功能可以放在DL4J开发路线图上，或者甚至向我们发送一个带有必要更改的pull请求！

## 为什么需要Keras模型导入?

Keras是用Python编写的一个流行的、用户友好的深度学习库。Keras的直观API使得Python轻松地定义和运行你的深度学习模型。Keras允许你选择它在哪个底层库上运行，但是为每个这样的后端提供了统一的API。目前，Keras支持Tensorflow、CNTK和Theano后端，但是Skymind也在为Keras开发ND4J后端。

一个公司的生产系统和它的数据科学家的实验设置之间经常有差距。Keras模型导入允许数据科学家用Python编写他们的模型，但是仍然与生产栈无缝集成。

Keras模型导入主要针对在Python中熟悉用Keras编写模型的用户。通过模型导入，你可以通过允许用户将模型导入DL4J生态圈以进行进一步的训练或评估，从而将Python模型带到生产中。

当项目的试验阶段完成并且需要将模型交付生产时，你应该使用这个模块。Skymind商业支持Keras在企业中的实现。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://deeplearning4j.konduit.ai/zhong-wen-v1.0.0/keras-dao-ru/gai-shu.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.