keras是库还是框架
1、Keras是一个深度学习框架，它可以被用于快速构建和实验不同的深度学习模型。它使用高级的神经网络API（例如TensorFlow、Theano和CNTK），提供了可重复使用的构建模块，以及可以在CPU和GPU上运行的深度学习模型。
2、Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化 [1] 。
3、Keras（Keras Neural Networks Library）是一个在TensorFlow和CNTK之后推出的深度学习框架，是一个高度抽象化的深度学习框架，对于很多常见的深度学习任务都提供了很好的支持。
4、Anaconda。Keras是基于Theano的一个深度学习框架，它的设计参考了Torch，用Python语言编写，是一个高度模块化的神经网络库，支持GPU和CPU。keras被Anaconda深度学习框集成，并可以在不安装的情况下使用。
5、Caffe Caffe是一个强大的深度学习框架，主要采用C++作为编程语言，深度学习速度非常快，借助Caffe，可以非常轻松地构建用于图像分类的卷积神经网络。
Keras快速构建神经网络模型
1、或向量，向量时要复杂一点)。输出级输出的是分类的结果，即属于哪一类。以二分类问题为例输出端只有一个节点输出0或1。中间的结构在进行测试时不用关心。不过这仅限于BP等比较简单的神经网络。
2、Keras提供了一些内置的卷积神经网络模型，如VGG、ResNet、Inception等，同时也提供了一些卷积神经网络的层，如卷积层、池化层、批量归一化层等，可以方便地构建卷积神经网络模型。
3、它提供了一系列高阶的API，例如自定义网络层、损失函数、优化器等，同时还提供了大量的预训练模型和数据集，可以让开发者快速进行模型训练和评估。
keras怎么读取每层网络的输出?
ETA：Estimated Time of Arrival。Loss：系统的损失。acc：Accuracy正确率。
网络输入层（Input Layer）：使用Input()函数可以创建一个输入层，它指定了输入数据的维度和数据类型。
每个卷积核对原始输入进行处理后都会生成一个feature_map，因此卷积核的个数和feature_map的个数其实是相同的。
按比例算是：359÷1140X684 =214平方米 应该分摊214平方米的公摊面积。
尤其是两遍和三遍。通常情况下三天干透，隔两天去看一下就好。第一层是打底层，第二层是找平层，也有做两次找平的。一层2到5厘左右的厚度。看断面厚度，看墙面的平整度，如果不平，应该是找平层没做，或者做不好。