Tensorflow和Keras在解決深度學習問題，代碼有哪些差異？
當前tf.keras是TensorFlow團隊主推的API，TF-Slim等大概不會再更新了。就build model，實現loss等核心功能來講，keras和TF-Slim並沒有明顯的高下之分。在調試演算法，可視化一些中間層的輸出時，TF-Slim要方便許多，而keras只能在on_epoch_end等callback中更新tensorboard，用起來麻煩。而在training調參時,，tf.keras提供的一些high level API很好用，完勝TF-Slim。
然而，當前tf.keras還不支持 quantization aware training，這對做演算法落地的同學來說就是不能用。github 的issue裏有Google的員工說會在今年Q2加進去，估計到時要強制大家升級成TensorFlow 2.0才能用這個功能。
《[PyTorch小試牛刀]實戰一·使用PyTorch擬合曲線（對比PyTorch與TensorFlow實現的區別）》https://blog.csdn.net/xiaosongshine/article/details/84585942，這篇博客對比了PyTorch與TF
《[Keras深度學習淺嘗]實戰三·RNN實現Fashion MNIST 數據集分類》https://blog.csdn.net/xiaosongshine/article/details/85159790,《[TensorFlow深度學習入門]實戰五·用RNN(LSTM)做手寫數字識別準確率98%+》https://blog.csdn.net/xiaosongshine/article/details/84675479，這兩篇是keras與TF的對比。
結論: 可以簡單理解為keras對應c語言，tf對應彙編語言。keras操作更簡單快捷，tf偏底層，使用有些繁瑣。tf2.0把keras包涵在tf內了，繼承了keras優點。
學習推薦: 筆者先學的tf，但是現在都不怎麼用了。學tf可以加深對網路的理解。keras可以加速開發。keras上手更快，tf學的更深入。這個要看你的具體需求了。。
tensorflow2.０的話，差異已經不大了
Keras又把tf的一些層封裝起來了。相對來說搭模型更容易。不過自定義的會更麻煩。。
keras將TensorFlow做了封裝，使用起來更方便。
karas 是tensorflow的高級封裝 各個框架肯定存在差異呀，用到哪查哪裡就可以了吧，完全的記憶很難也沒太大意義，感覺tf-slim很好用。
Keras只是一個傻瓜式的API而已，兩者的內核是一樣的
推薦閱讀：
