我应该用Keras 还是TensorFlow来做我的项目呢？TensorFlow好还是Keras更好？我该把时间花在研究TensorFlow身上吗？还是Keras？
以上都是我常在收件箱、社交媒体、甚至与深层学习的研究人员、实践者和工程师的亲自交谈中听到的问题。
我甚至收到一些与我的书《用Python进行计算机视觉的深度学习》相关的问题，读者问我为什“仅仅”涵盖Keras——关于TensorFlow呢？
真不幸，因为这是一个错误的问题。
截至2017年中期，Keras实际上被完全采纳并融入了TensorFlow。这个TensorFlow+Keras的集成意味着你可以：
- 使用Keras的易用接口定义模型
- 如果需要（1）特定的TensorFlow功能或（2）需要实现Keras不支持但TensorFlow支持的自定义特性，那么可以下拉到TensorFlow中。
简而言之：
可以将TensorFlow代码直接插入到Keras模型或训练管道序列中！
别误会我的意思。我并不是说，对于某些应用程序，您不需要了解一点TensorFlow——如果您正在执行新颖的研究并且需要定制实现，则尤其如此。我只是说如果在做这些事时：
- 刚刚开始学习深度学习
- 试图决定为下一个项目使用哪一个库
- 想知道Keras或TensorFlow哪个“更好”
就会感觉得到了。
别担心，做就是了。我的建议是使用Keras启动，然后为您需要的任何特定功能下拉到TensorFlow。
在今天的文章中，我将向您展示如何训练（1）使用严格Keras的神经网络和（2）使用直接构建到TensorFlow库中的Keras+TensorFlow集成（带有定制特性）的模型。
要了解更多关于Keras vs. Tensorflow，继续阅读！
Keras和TensorFlow——哪一个更好，我应该学习哪一个？
在今天教程的剩余部分中，我将继续讨论Keras vs.TensorFlow的论点以及它是如何提出错误的问题的。
我们将会实现一个卷积神经网络（CNN），使用标准keras模块和直接刻入到TensorFlow中的tf.keras模块。
我们将在示例数据集上训练这些CNN，然后检查结果——正如您将发现的，Keras和TensorFlow和谐地生活在一起。
也许最重要的是，你会明白为什么Keras vs. TensorFlow的论点不再有意义。
如果你问“Keras vs. TensorFlow”，这本身就不是一个问题
图1：“我应该使用KARAS还是Tensorflow？“
询问是否应该使用Keras还是TensorFlow是错误的问题——事实上，这个问题甚至不再有意义。尽管自从TensorFlow宣布将把Keras集成到官方的TensorFlow发行版已经超过一年了，我仍然惊讶于许多深层学习实践者不知道他们可以通过tf.keras子模块访问Keras。
更重要的是，Keras+TensorFlow集成是无缝的，允许您将原始TensorFlow代码直接放入Keras模型中。
使用TensorFlow中的Keras给你最好的两个世界：
- 您可以使用Keras提供的简单、直观的API来创建模型。
- Keras API本身类似于Scikit-learn，可以说是机器学习API的“金标准”。
- Keras API是模块化的，Python式的，超级简单易用。
- 当需要自定义层实现、更复杂的损失函数等时，可以下拉到TensorFlow，并自动将代码与Keras模型集成。
在过去的几年里，深度学习的研究者、实践者和工程师常常不得不选择：
- 我是否使用易用性，但可能更难定制Keras库？
- 或者我是否利用了相当困难的TensorFlow API，编写了一个数量级的更多代码，更不用说使用不太容易遵循的API来工作？
幸运的是，我们不再需要选择了。
如果你发现自己处于这样的境地：“我应该用Keras 还是TensorFlow呢？”“退后一步——你问错了问题——你可以同时拥有两个。
结语
给大家送一波福利：人工智能学习资料，有意向的可以加我V，回复：【学习资料】来领取整理好100G的学习资料
