好吧，我开始学习 Tensorflow，但我注意到如何使用这个东西有很多困惑.. 首先，一些教程使用低级 API tf.varibles、范围...等来展示模型，但其他教程使用 Keras，例如使用张量板来调用回调。 其次，拥有大量重复 API 的目的是什么，当您使用低级别构建像乐高积木这样的模型时，使用像 Keras 这样的高级 API 的真正目的是什么？ 最后，使用 Eager Execution 的真正目的是什么？
【问题讨论】：
标签： python python-3.x tensorflow tensorboard
您可以一起使用这些 API。例如。如果你有一个常规的密集网络，但有一个特殊的层，你可以为密集层（tf.layers 和 tf.keras）使用更高级别的 API，为你的特殊层使用低级 API。此外，复杂的图更容易在低级 API 中定义，例如如果你想共享变量等。
Eager execution 可帮助您进行快速调试，它直接评估张量，无需调用会话。
【讨论】：
有不同“级别”的 API（高级 API，如 keras 和估算器，以及低级 API，如变量等）以满足不同的开发人员需求。
对于已经大致了解您打算使用哪种 ML 模型的普通行业开发人员来说，keras 非常适合。例如，如果您知道要实现具有两个密集层和 softmax 激活的顺序模型，则只需执行以下操作：
model = keras.Sequential([
keras.layers.Dense(128, activation=tf.nn.softmax),
keras.layers.Dense(10, activation=tf.nn.softmax)
])
使用 keras 通常更简单，因为您不必考虑诸如 tf.Variables 之类的低级实现细节。如需更完整的示例，请查看 tensorflow.org 上的 keras tutorials。
低级 API 允许用户更好地控制您正在开发的模型。这些 API 更常被开发新机器学习方法的开发人员和研究人员使用；例如，如果您需要一个与规范 ML 方法不同的专用层，您可以使用低级 API 手动定义一个层。
最后，急切执行是一种命令式编程风格。它可以实现更快的调试，并且对于那些刚接触 tensorflow 的人来说具有更温和的学习曲线，因为它更“pythonic”/直观。查看eager guide 了解更多信息。
【讨论】：