前言

很多人都在质疑，作为老牌的统计分析编辑语言到底能不能胜任深度学习这个新任务。不可否认，在“某度”上，R语言的深度学习资料确实不多，我想这主要是应用群体的关系。因此，我们开始搜索英文原始资料，希望能够搜罗到尽可能多的R语言深度学习解决方案（有朋友劝我，要不你换个编程语言？我说算了吧，以前用过C，学过VB，换过PB，也编过Matlab，年纪一把了，实在懒得再换语法了）。

Keras简介

下面我们开始言归正传，首先什么是Keras? Keras的中文文档是这么介绍的：

Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：

• 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
• 支持CNN和RNN，或二者的结合
• 无缝CPU和GPU切换
  

https://keras-cn.readthedocs.io/en/latest/

读到这里，我心中窃喜，呵呵，果断没必要学习Python了，能调用就好了啊。

---

如何在R中调用Keras

要学习如何调用Keras，你可以在https://keras.rstudio.com/中找到非常详细的说明，当然是全英文的（做DA不会英语不行啊）。下面我们就以网站上的例子来讲解如何运用在R中运用Keras进行深度学习。

以下为个人理解版，要看原文的直接点击链接https://keras.rstudio.com/

步骤1 安装Keras包

这里的代码很好理解，安装和调用。最后一行install_keras()是默认安装keras功能，这种情况下默认安装的是tensorflow作为后端，具体如下

此外，默认情况都是安装的CPU版本，当然，哪位土豪配置了NVIDIA® GPU，那么你就可以用下面的命令安装GPU版本。

MNIST算例：MNIST是非常著名的一个手写数字算例数据集，纠结细节的同学可以移步http://yann.lecun.com/exdb/mnist/，简单的来说，我们就是要运用深度学习方法来识别手写数字，比如：

步骤2 导入数据

步骤3 调整数据结构

#改变数据形状，矩阵转向量

这些工作是为了满足模型输入的需求，其中to_categorical是将对应的分类转化为向量，例如

to_categorical(2, 4)

上述代码分类是2，从0开始，所以2是第3个。4表示总共4个分类，所以输出的结果是

步骤4 定义模型

这里的%>%表示向右传递的管道函数。

步骤5 设置优化项

这里定义了损失、优化和度量方式。

步骤6 运行

到这里，我们的介绍就差不多了，这篇短文并不是深度学习的理论介绍，所以没有太多概念的说明。本文的用意只是抛砖引玉，希望有更多的R语言爱好者能够分享更多的R语言深度学习解决方案。

编后语

本文是R语言数据分析系列中的第2篇，我们将继续推出R语言语法、统计分析数据挖掘等一系列文章。你的点赞和关注使我们最大的动力。

原文：https://zhuanlan.zhihu.com/p/292 ... l&from=timeline