到底該選擇TensorFlow還是Keras，是深度學習初學者經常糾結的一個問題。數據科學家Aakash Nain比較了TensorFlow和Keras，希望有助于選擇合適的框架。

深度學習庫/框架流行度（來源：Google）

深度學習無處不在，大量的深度學習庫讓初學者無所適從。這篇文章重點關注TensorlFlow和Keras兩者之間的選擇。TensorFlow是最著名的用于深度學習生產環境的框架。它有一個非常大非常棒的社區。然而，TensorFlow的使用不那么簡單。另一方面，Keras是在TensorFlow基礎上構建的高層API，比TF（TensorFlow的縮寫）要易用很多。

既然Keras基于TensorFlow，那么兩者有何區別？既然Keras對用戶更友好，為什么我還需要使用TF來構建深度學習模型呢？下面一些內容將幫助你做出選擇。

快速開發原型

如果你想快速創建、測試一個神經網絡，寫盡可能少的代碼，那么選擇Keras。花不了多少分鐘，你就能用Keras創建簡單或很復雜的神經網絡。Model和SequentialAPI如此強大，基本上能做到你可能想要做的任何事情。讓我們看一個例子吧：

model = Sequential()

model.add(Dense(32, activation='relu', input_dim=100))

model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer='rmsprop',

loss='binary_crossentropy',

metrics=['accuracy'])

# 生成虛假數據

import numpy as np

data = np.random.random((1000, 100))

labels = np.random.randint(2, size=(1000, 1))

# 訓練模型，迭代數據（每個batch包含32個樣本）

model.fit(data, labels, epochs=10, batch_size=32)

收工！！就是這么容易！

沒有人不喜歡Pythonic??！

Keras的開發設計注重用戶友好，因而某種意義上它更加pythonic。模塊化是Keras的另一個優雅的設計指導原則。Keras中的任何東西都可以表示為模塊，用戶可以根據需要將其進一步組合。

彈性

有時候你不想用現成的東西，想要自己定義一些東西（比如，損失函數、測度、網絡層，等等）。

盡管Keras 2的設計讓你可以實現幾乎所有你想要的東西，但是我們都知道底層的庫提供了更多彈性。TF同樣如此。相比Keras，TF允許你進行更多調整。

功能性

盡管Keras提供了創建深度學習模型一般所需的所有功能性，它還是不如TF提供得多。相比Keras，TensorFlow提供更多高級操作。當你從事研究或開發特殊種類的深度學習模型時，這一點是十分便利的。下面是一些例子：

線程和隊列

隊列是一個強大的機制，可以異步地計算圖中的張量。類似地，你可以使用多個線程執行同一會話，通過并行運算加速操作。下面是一個在TensorFlow中使用隊列和線程的簡單例子：

# 創建圖，等等。

init_op = tf.global_variables_initializer()

# 創建會話，以運行圖中的操作。

sess = tf.Session()

# 初始化變量（比如epoch計數器）

sess.run(init_op)

# 開始輸入入隊線程。

coord = tf.train.Coordinator()

threads = tf.train.start_queue_runners(sess=sess, coord=coord)

try:

whilenot coord.should_stop():

# 運行訓練步驟，等等

sess.run(train_op)

except tf.errors.OutOfRangeError:

print('訓練完畢——達到epoch限制')

finally:

# 結束時，請求停止線程

coord.request_stop()

# 等待線程終止。

coord.join(threads)

sess.close()

調試器

TensorFlow有一個專門的調試器，為內部結構和正在運行的TensorFlow圖的狀態提供了可見性。從調試器獲得的洞見可以加速調試訓練和推斷階段的多種bug。

TensorFlow調試器截屏（來源：TensorFlow文檔）

控制

就我的經驗而言，你對神經網絡的控制越多，你對神經網絡在做什么的理解就更深。TF讓你可以更多地控制神經網絡。在TF中對權重和梯度進行操作有如神助。

例如，假設你的模型有三個變量，比如w、b、step，你可以選擇變量step是否可以訓練。你只需寫一行代碼就可以辦到：

step = tf.Variable(1, trainable=False, dtype=tf.int32)

在訓練階段，梯度可以提供大量信息。你想控制梯度？當然可以，看下面的例子：

# 創建優化器

optimizer = GradientDescentOptimizer(learning_rate=0.1)

# 為一組變量計算梯度

grads_and_vars = opt.compute_gradients(loss, )

# grads_and_vars是一個元組的列表(梯度, 變量)。

# 你可以隨意對梯度部分進行操作，比如，每項減1.

subtracted_grads_and_vars = [(gv[0] - 1.0, gv[1]) for gv in grads_and_vars]

# 請求優化器應用減一后的梯度。

optimizer.apply_gradients(subtracted_grads_and_vars)

（以上代碼樣例取自 CS 20SI: TensorFlow for Deep Learning Research）

結論（TL;DR）

除非你正從事研究性質的工作或開發某種特殊種類的神經網絡，選擇Keras（相信我，我是一個Keras黨！?。┦褂肒eras快速構建非常復雜的模型仍然超容易。

如果你想要更精細地控制你的網絡，或者想要仔細查看你的網絡發生了什么，那么TF是正確的選擇（不過有時TF的語法會讓你做噩夢的）。不過，現在TF已經集成了Keras，所以更明智的做法是使用tf.contrib.Keras創建你的網絡，然后根據需要在你的網絡中插入純TensorFlow。簡而言之，

tf.contrib.keras+tf=你所需要的一切