【安裝Anaconda3】
下載：https://www.continuum.io/downloads，安裝過程中提示failed to create anacoda menue錯誤時參考http://www.cnblogs.com/chuckle/p/7429624.html。
【安裝TensorFlow】（須要網絡鏈接，離線安裝參考：http://www.jianshu.com/p/c245d46d43f0）
打開Anaconda Prompt，輸入：
pip install tensorflow
【安裝keras】（須要網絡鏈接，參考：http://www.jianshu.com/p/c245d46d43f0）
打開Anaconda Prompt，輸入：
pip install keras
這里會安裝Theano，不管它。
【測試keras是否安裝成功】（參考：http://www.jianshu.com/p/c245d46d43f0）
打開Anaconda Prompt，在命令行中輸入：
python
再輸入：
import tensorflow as tf
sess = tf.Session()
a = tf.constant(10)
b = tf.constant(22)
print(sess.run(a + b))
輸出為32，TensorFlow安裝成功。
再輸入：
import keras
無錯即keras安裝成功。
【安裝Pycharm並激活】
略。
修改Python解釋器路徑，選擇Anaconda安裝目錄下的python.exe：
【demo】（須要網絡鏈接，下載數據集）
在Pycharm中新建工程，新建python file，拷貝下列代碼（原作者：@渉風，http://www.cnblogs.com/surfzjy/p/6419201.html），運行。
from __future__ import print_function
# 導入numpy庫， numpy是一個常用的科學計算庫，優化矩陣的運算
import numpy as np
np.random.seed(1337)
# 導入mnist數據庫， mnist是常用的手寫數字庫
from keras.datasets import mnist
# 導入順序模型
from keras.models import Sequential
# 導入全連接層Dense， 激活層Activation 以及 Dropout層
from keras.layers.core import Dense, Dropout, Activation
# 導入優化器RMSProp
from keras.optimizers import RMSprop
# 導入numpy工具，主要是用to_categorical來轉換類別向量
from keras.utils import np_utils
# 設置batch的大小
batch_size = 128
# 設置類別的個數
nb_classes = 10
# 設置迭代的次數
nb_epoch = 20
# keras中的mnist數據集已經被划分成了60,000個訓練集，10,000個測試集的形式，按以下格式調用即可
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# X_train原本是一個60000*28*28的三維向量，將其轉換為60000*784的二維向量
X_train = X_train.reshape(60000, 784)
# X_test原本是一個10000*28*28的三維向量，將其轉換為10000*784的二維向量
X_test = X_test.reshape(10000, 784)
# 將X_train, X_test的數據格式轉為float32存儲
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
# 歸一化
X_train /= 255
X_test /= 255
# 打印出訓練集和測試集的信息
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')
'''
將類別向量(從0到nb_classes的整數向量)映射為二值類別矩陣，
相當於將向量用one-hot重新編碼'''
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)
# 建立順序型模型
model = Sequential()
'''
模型需要知道輸入數據的shape，
因此，Sequential的第一層需要接受一個關於輸入數據shape的參數，
后面的各個層則可以自動推導出中間數據的shape，
因此不需要為每個層都指定這個參數
'''
# 輸入層有784個神經元
# 第一個隱層有512個神經元，激活函數為ReLu，Dropout比例為0.2
model.add(Dense(512, input_shape=(784,)))
model.add(Activation('relu'))
model.add(Dropout(0.2))
# 第二個隱層有512個神經元，激活函數為ReLu，Dropout比例為0.2
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.2))
# 輸出層有10個神經元，激活函數為SoftMax，得到分類結果
model.add(Dense(10))
model.add(Activation('softmax'))
# 輸出模型的整體信息
# 總共參數數量為784*512+512 + 512*512+512 + 512*10+10 = 669706
model.summary()
'''
配置模型的學習過程
compile接收三個參數：
1.優化器optimizer：參數可指定為已預定義的優化器名，如rmsprop、adagrad，
或一個Optimizer類對象，如此處的RMSprop()
2.損失函數loss：參數為模型試圖最小化的目標函數，可為預定義的損失函數，
如categorical_crossentropy、mse，也可以為一個損失函數
3.指標列表：對於分類問題，一般將該列表設置為metrics=['accuracy']
'''
model.compile(loss='categorical_crossentropy',
optimizer=RMSprop(),
metrics=['accuracy'])
'''
訓練模型
batch_size：指定梯度下降時每個batch包含的樣本數
nb_epoch：訓練的輪數，nb指number of
verbose：日志顯示，0為不在標准輸出流輸出日志信息，1為輸出進度條記錄，2為epoch輸出一行記錄
validation_data：指定驗證集
fit函數返回一個History的對象，其History.history屬性記錄了損失函數和其他指標的數值隨epoch變化的情況，
如果有驗證集的話，也包含了驗證集的這些指標變化情況
'''
history = model.fit(X_train, Y_train,
batch_size = batch_size,
nb_epoch = nb_epoch,
verbose = 1,
validation_data = (X_test, Y_test))
# 按batch計算在某些輸入數據上模型的誤差
score = model.evaluate(X_test, Y_test, verbose=0)
# 輸出訓練好的模型在測試集上的表現
print('Test score:', score[0])
print('Test accuracy:', score[1])