最近，我正在观看TensorFlow的介绍，在此过程中，Keras作为一种高级API出现了，可以在后端使用TensorFlow或Theano。
我与他们一起玩耍，并使用第一个纯TensorFlow进行了MNIST LeNet-5实施，此后又使用Keras。至少在我的机器上，当直接使用TensorFlow时，我看不到任何明显的性能提升。
所以我现在的问题是：直接在Keras上使用TensorFlow有什么优势？也许这只是规模问题，我是否会在大型项目中看到性能的显着提高？
Keras只是掩盖了Tensorflow（和其他后端）的复杂性，仅此而已。
如果您需要/想要更好地控制引擎盖下发生的事情，则可以直接使用Tensorflow（您可以控制几乎所有内容，并且可以确保实现有效地实现了您想要的功能）。
如果您只是想快速制作原型并开发模型，那么Keras很好，因为它可以更快地完成它。折衷方案是您失去控制权，因为Keras为您做了很多您不会做的事情。例如，您无法更改卷积层的变量名称/范围，因为它们在keras层定义中固定（内核将始终是“内核”，偏差将始终是“偏差”）。
但是，由于Tensorflow首先构建一个图然后执行它，因此在Keras或Tensorflow中定义的同一图的执行速度是相同的（Keras仅减慢了图的构建，这只是Python代码）。
更新：从Tensorflow 2.0起默认使用tf.keras：https ://pgaleone.eu/tensorflow/gan/2018/11/04/tensorflow-2-models-migration-and-new-design/
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句