Keras与tf.keras的区别

keras 简介

Keras 是一个主要由 Python 语言开发的开源神经网络计算库，最初由 François Chollet编写， 它被设计为高度模块化和易扩展的高层神经网络接口，使得用户可以不需要过多的专业知识就可以简洁、 快速地完成模型的搭建与训练。

Keras 库分为前端和后端，其中后端一般是调用现有的深度学习框架实现底层运算，如 Theano、 CNTK、 TensorFlow 等，前端接口是 Keras 抽象过的一组统一接口函数。

用户通过 Keras 编写的代码可以轻松的切换不同的后端运行，灵活性较大。 正是由于 Keras 的高度抽象和易用特性， 截止到 2019 年，Keras 市场份额达到了 26.6%，增长 19.7%， 在同类深度学习框架中仅次于 TensorFlow(数据来自 KDnuggets)。

TensorFlow 与 Keras 之间存在既竞争，又合作的交错关系，甚至连 Keras 创始人都在Google 工作。

早在 2015 年 11 月， TensorFlow 就被加入 Keras 后端支持。 从 2017 年开始，Keras 的大部分组件被整合到 TensorFlow 框架中。

2019 年， 在 TensorFlow 2 版本中， Keras被正式确定为 ensorFlow 的高层唯一接口 API， 取代了 TensorFlow 1 版本中自带的tf.layers 等高层接口。 也就是说， 现在只能使用 Keras 的接口来完成 TensorFlow 层方式的模型搭建与训练。 在 TensorFlow 中， Keras 被实现在 tf.keras 子模块中。

Keras 与 tf.keras 有什么区别与联系呢？

其实 Keras 可以理解为一套搭建与训练神经网络的高层 API 协议， Keras 本身已经实现了此协议， 安装标准的 Keras 库就可以方便地调用TensorFlow、 CNTK 等后端完成加速计算；在 TensorFlow 中，也实现了一套 Keras 协议，即 tf.keras， 它与 TensorFlow 深度融合，且只能基于 TensorFlow 后端运算， 并对TensorFlow 的支持更完美。

对于使用 TensorFlow 的开发者来说， tf.keras 可以理解为一个普通的子模块，与其他子模块，如 tf.math， tf.data 等并没有什么差别。

参考文献
Tensorflow 深度学习