【发布时间】：2018-07-31 07:16:41
【问题描述】：
哪一种是推荐的（或更面向未来的）使用 Keras 的方法？
各自的优缺点是什么？
我想除了保存一个pip install 步骤和写tensorflow.python.keras 而不是keras 之外，还有更多的区别。
【问题讨论】：
标签： python tensorflow pip deep-learning keras
【发布时间】：2018-07-31 07:16:41
【问题描述】：
tensorflow.python.keras 只是一个 keras 包，在 tensorflow 包内有一个后端。这使您可以通过安装 pip install tensorflow 来开始使用 keras。
keras 包包含完整的 keras 库，支持三个后端：tensorflow、theano 和 CNTK。如果你甚至想在后端之间切换，你应该选择keras 包。这种方法也更灵活，因为它允许独立于 tensorflow 安装 keras 更新（这可能不容易更新，例如，因为下一个版本可能需要不同版本的 CUDA 驱动程序），反之亦然。出于这个原因，我更喜欢将keras 安装为另一个包。
在 API 方面，目前没有区别，但 keras 未来可能会更紧密地集成到 tensorflow 中。所以有可能在 keras 中会有 tensorflow-only 功能，但即使在这种情况下，使用 keras 包也不是一个障碍。
更新
从 Keras 2.3.0 版本开始，Francois Chollet 宣布用户应该改用 tf.keras 而不是普通的 Keras。因此，所有用户都应更改为 tf.keras 而不是 keras。
【讨论】：
-
哪一个是最新的？ IE。最先取得的最新进展在哪里？在 Keras 或 tf.keras 中？
-
并非所有内容都在
tf.keras中，某些功能仍在tf.python.keras.中，就像所有vis_utils和load_weights_from_hdf5_group_by_name一样。
2019-10 小更新：
Keras 团队通过release of version 2.3.0 宣布了以下内容：
这也是多后端 Keras 的最后一个主要版本。展望未来，我们建议用户考虑将其 Keras 代码切换到 TensorFlow 2.0 中的 tf.keras。它实现了相同的 Keras 2.3.0 API（因此切换应该像更改 Keras 导入语句一样容易），但它对 TensorFlow 用户有许多优势，例如支持急切执行、分发、TPU 训练以及通常更好的集成介于低级 TensorFlow 和高级概念（如层和模型）之间。它也得到了更好的维护。
未来的开发将集中于 tf.keras。在接下来的 6 个月内，我们将继续维护多后端 Keras，但我们只会合并错误修复。 API 更改不会被移植。
所以现在，tf.keras 似乎是要走的路。
【讨论】：