Keras的核心数据结构是一个模型，一种组织层的方法。模型的主要类型Sequential模型，层的线性堆叠。对于更复杂的架构，你应该用Keras的功能API。
这是一个Sequential模型：
from keras.models import Sequential
model = Sequential()
堆叠层是象.add（）一样容易：
from keras.layers import Dense, Activation
model.add(Dense(output_dim=64,input_dim=100))
model.add(Activation("relu"))
model.add(Dense(output_dim=10))
model.add(Activation("softmax"))
一旦你的模型建立了，配置它的学习过程用.compile():
model.compile(loss='categorical_crossentropy',optimizer='sgd', metrics=['accuracy'])
如果需要，你能进一步配置你的优化器。Keras的核心原则是使得事情简单，允许用户全部控制（没有限制的控制容易对源代码进行扩展）。
from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy',optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))
现在你可以以批处理的方式迭代你的训练数据：
model.fit(X_train, Y_train, nb_epoch=5,batch_size=32)
你也可以手动的给你的模型输入批处理的数据：
model.train_on_batch(X_batch, Y_batch)
评估性能用一行代码：
loss_and_metrics = model.evaluate(X_test,Y_test, batch_size=32)
或者产生预测在新的数据上：
classes = model.predict_classes(X_test,batch_size=32)
proba = model.predict_proba(X_test,batch_size=32)
建立一个问题回答系统，一个图像分类模型，一个神经图灵机，一个word2vec嵌入器或者任何一个其它模型都很快。这个深度学习背后的主意是简单的，为什么他们的实现时困难的呢？
为了更进一步的关于Keras的辅导，你可以查看：
Getting started with the Sequential model
Getting started with the functional API
在examples文件夹，你能发现更高级的模型：带有内存网络的问题回答，用堆栈方式LSTMs的文本产生，等等。