一、常用的学习资料链接：
kares官网中文链接：http://keras-cn.readthedocs.io/en/latest/
优点：
（1）易使用：对于不求甚解，只是当做一个黑盒子使用的人，keras容易上手；
（2）扩展性：keras的设计将大量的内部运算都隐藏起来，但是其扩展性并不差；
（3）文档齐全，python编写，更新迅速，论坛活跃。
四种常用框架难度排序：
Keras--->pytorch--->tf--->theano
特点：
1.keras：非常优雅、最易学好懂，可以快速上手实现矩阵的网络结构。
2.pytorch：定制性好，可DIY指数高。
3.tf：优雅，好理解。
4.theano：定制性好，但是需要充分创造轮子，要自己实现一些功能。
学习方式建议：至少一次，手动从零开始写一个神经网络的代码后，在使用keras.否则容易依赖keras的易使用性而忽略底层原理。并且很多扩展只在懂得底层原理后才得以实现。
以下是来自知乎大神杨超的经验（https://www.zhihu.com/question/35396126/answer/73198822），摘取部分：
最近刚开始使用theano, 经验不多，连个基本的模型都跑不通，于是去看了下Keras，源码比较简洁，可以当作theano的示例教程来看，感受如下：1.文档看似很全，每个layer是干啥的，每个参数是啥都写了，但是不去读代码，实际很多人是无法从文档理解其具体用法的。这点看issue里的讨论里可以看出。同样，example似乎很多，而且都能直接run，还都是real world的数据集，看似很好，但是实际上，对于新手，如果需要的模型跟example里的不完全一样，不容易搞懂到底需要把输入输出的数据搞成啥格式。举个例子，example都是做的classification的，没有做sequence labeling的例子，如果想拿来做个pos tagging，不知道数据如何组织。当然，这些其实花一天读下代码或者好好翻翻issue讨论就可以解决了，但我相信不少人不会去认真读代码或者看讨论，而是直接换个工具。我感觉目前的doc只有懂了代码的人才能看懂，不懂得看文档还是没啥用。2.项目很简单所以开发者不多，但是很活跃，每天都有新东西加进去。今天增加了一个新的分支后端可以用theano或者tensorflow了，不过貌似由于不支持scan，backend用tensorflow的没实现recurrent layer。他们也意识到文档的问题，觉得需要为小白用户多加点tutorial而不是光给develop看。我没用过其他的framework，仅说keras拿来学习theano基本用法，很不错库本身的代码，比较简单易读，我作为python菜鸟，也能看懂。目前model有sequential和grapgh两种，前者并不是指recurrent而是说网络是一层层堆的（也包括recurrent）.其他的主要概念包括layer，regularizer, optimizer,objective都分离开。layer用于build每层的输出函数，model会用最后一层的输出，根据objective和每个layer的regularizer来确定最终的cost，然后在update时用optimizer来更新参数。把这四个看下加上model里的fit函数，就会用theano啦。很多模型都能cover，seq2seq这种也有现成的可用。建议不要光看example，多看看github上的 issues讨论，实在找不到，直接提问。效率方面，我不懂theano怎么优化，感觉keras的这种封装，没什么成本，跟自己用原生theano是一样的。当然，theano本身就好慢啊。
另外一位知乎大神Sherlock（https://www.zhihu.com/question/35396126/answer/173032914），感觉说的有道理，先摘抄一下，后续根据经验另行更改：
首先必须要说的就是，不管你要做什么，只要是deep leanring有关的，那么tensorflow是你不可能绕过的，就不说现在很多人论文用tensorflow，工业界用tensorflow的也很多，而且Google推出了tpc，毫无疑问有了tpu，tensorflow速度肯定会更快，可以很明显的感觉到Google在强推tensorflow，而tensorflow目前也算是默认的老大地位。有了这一点，我们就可以来谈谈keras了，因为keras的后端有tensorflow，也就是说要使用tensorflow可以用keras来简单的代替。我之前一直觉得keras封装的太高级，不够灵活，而tensorflow又显得很笨重，所以对keras和tensorflow一直有点抵触，不想有tensorflow或者keras来实现模型。后面出了pytorch，我就去玩pytorch去了，感觉pytorch特别轻，而且很灵活，突然我发现pytorch有好多地方和keras其实挺像的，于是有回到keras看了看，发现其实可以把keras和tensorflow结合起来用，这样既轻便，同时也有很强的灵活性，相当于把一些重复性的繁琐的操作用keras封装起来，而一些自己需要设计的东西呢还是可以用tensorflow自己设计，可以看看这个链接将Keras作为tensorflow的精简接口 - Keras中文文档。pytorch由于动态图的关系确实很灵活，但是performance应该不算很好，没有tensorboard可视化，虽然github有人自己想办法弄出来了，同时也分享了，但是还是略显麻烦，而且分布式支持应该也不太好，毕竟定位于科研，而caffe2应该是fb强推的工业化框架。所以keras+tensorflow应该算是比较好的一种解决办法。对于初学者可以用keras搭搭积木，熟悉之后可以和tensorflow配合起来实现很多复杂功能。所以keras提供了从初学者到高级使用者都可以满足的功能，所以keras其实还是挺好的。另外对于速度方面我没有比较过，不知道keras到底慢在什么方面，如果用keras+tensorflow，我觉得速度应该和tensorflow相当，毕竟只是使用了几个简单的layer封装，而训练过程还是暴露在tensorflow下。
keras学习案例：
糖尿病识别https://www.kesci.com/home/project/5a5b691046c4ba639c6fbfa2