Keras還是TensorFlow，程序員該如何選擇深度學(xué)習(xí)框架？如果想盡可能快速并且以少量的代碼建立并測(cè)試神經(jīng)網(wǎng)絡(luò)，keras是最快速的， Sequential API和Model的功能十分強(qiáng)大。并

Keras還是TensorFlow，程序員該如何選擇深度學(xué)習(xí)框架？

如果想盡可能快速并且以少量的代碼建立并測(cè)試神經(jīng)網(wǎng)絡(luò)，keras是最快速的， Sequential API和Model的功能十分強(qiáng)大。并且keras的設(shè)計(jì)十分用戶友好，以數(shù)據(jù)輸入輸為例，對(duì)比keras簡(jiǎn)單的操作，tensorflow解碼編碼的構(gòu)建過程特別繁雜（尤其對(duì)于初學(xué)者來說，大量的記憶過程上手非常痛苦）。除此之外，keras將模塊化作為設(shè)計(jì)原則之一，使用者可以各按所需進(jìn)行組合。如果只是想快速地搭建常見的模型來實(shí)現(xiàn)自己的想法，keras可以作為首選。

但是，keras在封裝后會(huì)變得很不靈活，并且加上它本身速度也比較慢，如果是高度封裝，前面提到的缺點(diǎn)會(huì)更加明顯，除了一些對(duì)速度要求很低的工業(yè)應(yīng)用，tensorflow會(huì)因?yàn)楦咚俣贿x擇

如果在驗(yàn)證自己想法的時(shí)候，不想用既有的設(shè)定而是想要自己定義損失函數(shù)、測(cè)度、層數(shù)等等，相比keras，tensorflow提供了更多個(gè)性的空間。此外，對(duì)神經(jīng)網(wǎng)絡(luò)控制力度的大小會(huì)很大程度決定對(duì)網(wǎng)絡(luò)的理解和優(yōu)化工作，而keras種提供的權(quán)限很少，tensorflow相反給了更多操控權(quán)，比如對(duì)多個(gè)變量中的某一變量是否進(jìn)行訓(xùn)練、對(duì)梯度進(jìn)行操作(以獲取訓(xùn)練的進(jìn)展)等等。

雖然二者都提供深度學(xué)習(xí)模型通常所需的功能性，但是，如果使用者還追求一些更高階的功能性的選擇，像是進(jìn)行特殊種類模型的研究，就要求諸tensorflow了。比如，如果想要運(yùn)算加速，可以使用tensorflow的線程功能，多線程實(shí)行同一對(duì)話。另外，它還提供調(diào)試器的功能，對(duì)推斷bug和加速運(yùn)算都有幫助。