TensorFlow 和keras有什麼區別？

比如說蓋木頭房子。想蓋什麼房子要先選木料，然後加工成需要的形狀，最後組合釘裝成想要的房子形狀。

tensorflow 好比是木頭，Keras 好比是拿 tensorflow 做好的木板。如果你蓋的房子簡單，形狀大眾，Keras 調用起來會很方便。但如果想設計特殊的房子，那就要從木料開始。

tensorflow 已經可以調用 keras相關函數. keras的關鍵計算依託於tensorflow 或者 theano. theano不更新了，keras封裝的比較好。初學和入門的話建議用 keras。但是想要深入或者做自己的APP的話建議用 tensorflow。

歡迎關注我的公眾號一起學習！

點擊原文鏈接可免費獲取 機器學習蜥蜴書TF2.0 (暫未出版）

深度學習-更新迭代後的tf2.0與Keras的關係【附tf2.0蜥蜴書見原文鏈接】?

mp.weixin.qq.com圖標

1.為何keras出現在tf2.0中，被使用tf.keras？

2.到底是使用keras來訓練還是tf.keras？

3.tf2.0有什麼新功能？ 結論:應在以後均使用tf.keras

keras與tf.keras：

由谷歌的研究人員Francois Chollet創建開發，因為容易使用就開始 廣泛使用。

①我們所調用的Keras需要後端，後端是幹嘛的？

後端是一個計算引擎，作用是構建網路和拓撲結構，允許優化器，執行數字計算。可以想像所有的後臺操作都是在這個後端裏進行的，你的網路模型，你的幾千甚至上萬個參數的更新迭代。後端是可以更換的，只要後端滿足規則！

至此，我們應用的就是keras，就是我們能理解的簡化版深度學習操作的封裝後的API。

②keras的後端變化：

keras v1.1.0之前，其後端是Theano。

與此同時，Google發布了tf，tf是用於機器學習和神經網路訓練的符號數學庫。在此時，keras開始支持tf作為後端，自從keras v1.1.0版本的默認後端成了tf。

因為Keras簡易便於使用，tf用戶被吸引，在tf v1.10.0中，keras就被集成到tf中 ，此時就有了tf.keras。為了確保兼容性，原始的Keras包沒有被包含在tf中，它兩的開發是有序的。即Keras和tf.keras是分開的，要單獨pip。

2019.6——tf2.0發布：

Keras是tf官方高級API ； keras v2.3.0：是首個與tf.keras同步的版本

所有使用tf的人員，都應該使用tf2.0和tf.keras

③對於我們有什麼改變呢？

（不管是使用keras還是tf的人員）只需要改變一下導包就可以了。

至今為止，keras和tf.keras仍舊是兩個獨立項目。但推薦開始使用tf.keras。

④why?

優勢：例如對 eager execution（更具python風格的動態計算圖處理方式）、distribution、TPU 訓練的支持，以及通常來說對底層的 TensorFlow 與頂層概念（如「層」和「模型」）之間更好的集成度。它也會得到更好的維護。

小結：

Keras和tf2.0已經深度融合，使用過keras的同學應該已經領略到其在構建自定義模型等各方面的好處，使用過tf的同學也應該也深知其在研究、實驗、模型準備、量化和生產部署功能的多樣性等優勢。

因此開始使用起來tf.keras吧！

tensorflow是比較底層的深度學習模型開發語言

keras是基於tensorflow的高級API，通常直接調用一些封裝好的函數就可以實現某些功能，而tensorflow雖然比較底層，但是可以比較靈活的定義模型結構

就好比C語言是最基礎的語言

C++在其基礎上進行了高級封裝

區別就是一個姓T (準確說姓G ),另一個姓K(準確說也快要姓G了)，怎麼順手怎麼來
keras是tensorflow的介面，比tensorflow容易學習，如果真的從事深度學習這一方面，本人建議學好tensorflw.

keras簡單來講是tensorflow的再封裝，keras底層可以選tensorflow，易用，但靈活性不高。

推薦閱讀：
相關文章