Keras還是TensorFlow，程序員該如何選擇深度學習框架？如果您想用少量的代碼盡快地構建和測試神經網(wǎng)絡，keras是最快的，而且sequential API和model非常強大。而且keras

Keras還是TensorFlow，程序員該如何選擇深度學習框架？

如果您想用少量的代碼盡快地構建和測試神經網(wǎng)絡，keras是最快的，而且sequential API和model非常強大。而且keras的設計非常人性化。以數(shù)據(jù)輸入和輸出為例，與keras的簡單操作相比，tensorflow編譯碼的構造過程非常復雜（尤其對于初學者來說，大量的記憶過程非常痛苦）。此外，keras將模塊化作為設計原則之一，用戶可以根據(jù)自己的需求進行組合。如果你只是想快速建立通用模型來實現(xiàn)你的想法，keras可以是第一選擇。

但是，包裝后，keras將變得非常不靈活，其速度相對較慢。如果高度包裝，上述缺點將更加明顯。除了一些對速度要求較低的工業(yè)應用外，由于tensorflow的速度較高，因此會選擇tensorflow

如果您在驗證您的想法時，想定義損失函數(shù)而不是使用現(xiàn)有的設置，與keras相比，tensorflow提供了更大的個性空間。此外，對神經網(wǎng)絡的控制程度將在很大程度上決定對網(wǎng)絡的理解和優(yōu)化，而keras提供的權限很少。相反，tensorflow提供了更多的控制權，比如是否訓練其中一個變量、操作梯度（以獲得訓練進度）等等。

盡管它們都提供了深度學習模型通常需要的功能，但如果用戶仍然追求一些高階功能選擇，例如研究特殊類型的模型，則需要tensorflow。例如，如果您想加快計算速度，可以使用tensorflow的thread函數(shù)來實現(xiàn)與多個線程的相同會話。此外，它還提供了調試器功能，有助于推斷錯誤和加快操作速度。

有人說Keras在TensorFlow中的分量越來越重，對此你怎么看？

其實keras不僅在tensorflow的系統(tǒng)中越來越重要，而且因為它是Google為tensorflow開發(fā)的一套API，所以父母撫養(yǎng)的孩子自然很容易長大。

另外，如果我們將keras視為一種web前端技術，那么tensorflow在后臺就像Java或PHP。也就是說，keras是一套類似于標準的“UI”，它是為開發(fā)人員設計的，也就是為“操作員”設計的一個深度學習框架，它便于學習和使用，提高了開發(fā)人員的效率。

Keras在2018年擁有25000個人用戶。它的易用性和親和力都非常好。

Keras還支持其他深度學習框架。當然，它不是為其他深度學習框架設計的，但是它太熱了，而且設計得很好，所以其他深度學習框架的開發(fā)公司都愿意讓自己的框架支持keras。

深度學習框架已經開發(fā)了相當長的時間。到目前為止，許多工程師還不能使用它，或者他們可能缺少像keras這樣的“前端”

剛上大一，報的計科，學了一年的c和JAVA，都說計算機和數(shù)學關系緊密，可為啥沒有感覺到？感到迷茫？

呵呵，你才剛一年級，剛剛學了一點語言。甚至不是初學者。毫不夸張地說，學習電腦就是拼數(shù)學。光靠學幾門語言你什么都做不了。特別是在編程實現(xiàn)某些函數(shù)時，如果數(shù)學學得不好，就不能設計出合適的算法。數(shù)學建模非常重要。我勸你不要想當然。讓我們來看看傅立葉變換，這是最常見的一個高數(shù)字。利用傅立葉變換設計低通濾波器是圖像處理中最常用的基本功能之一。

同樣，機器語言本身是一個二進制矩陣。圖像的本質也是由像素組成的矩陣。然后你就會知道線性代數(shù)的重要性。然后對各種圖像、信號進行放大和縮小，需要用到各種插值，那么你會后悔離散數(shù)學沒學過。當你學習信息論和通信原理時，你會后悔沒有理解復變函數(shù)和概率。。。。。

即使是大二專業(yè)基礎課使用的數(shù)據(jù)結構，堆棧、列、排序、二叉樹、哈希圖、遞歸等。。。。都是數(shù)學模型。。。

如果你真的想學好編程，你必須徹底地學習數(shù)學。至于編程語言，這完全是語法結構的問題。是一樣的。編程側重于算法。至于用什么語言，是膚淺和膚淺的。就像寫一本書，一部經典，把它翻譯成任何語言。如廁讀物，如果你用八種語言寫的話，也是如廁讀物。