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)計十分用戶友好，以數(shù)據(jù)輸入輸為例，對比keras簡單的操作，tensorflow解碼編碼的構(gòu)建過程特別繁雜（尤其對于初學(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現(xiàn)自己的想法，keras可以作為首選。

但是，keras在封裝后會變得很不靈活，并且加上它本身速度也比較慢，如果是高度封裝，前面提到的缺點會更加明顯，除了一些對速度要求很低的工業(yè)應(yīng)用，tensorflow會因為更高速而被選擇

如果在驗證自己想法的時候，不想用既有的設(shè)定而是想要自己定義損失函數(shù)、測度、層數(shù)等等，相比keras，tensorflow提供了更多個性的空間。此外，對神經(jīng)網(wǎng)絡(luò)控制力度的大小會很大程度決定對網(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)，比如對多個變量中的某一變量是否進(jìn)行訓(xùn)練、對梯度進(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，多線程實行同一對話。另外，它還提供調(diào)試器的功能，對推斷bug和加速運(yùn)算都有幫助。