为什么要在 Keras 上使用纯 TensorFlow？答案

【问题标题】：Why should one use pure TensorFlow over Keras?为什么要在 Keras 上使用纯 TensorFlow？
【发布时间】：2018-11-10 20:50:39
【问题描述】：

最近我正在观看 TensorFlow 的介绍，在该课程中，Keras 提出了一个高级 API，可以在后端使用 TensorFlow 或 Theano。

我对它们都进行了尝试，并使用第一个纯 TensorFlow 和 Keras 进行了 MNIST LeNet-5 实现。至少在我的机器上，当直接使用 TensorFlow 时，我并没有看到任何显着的性能提升。

所以我现在的问题是：直接使用 TensorFlow 而不是 Keras 有什么优势？也许这是规模问题，我会看到大型项目的性能显着提升吗？

【问题讨论】：

【解决方案1】：

Keras 只是隐藏了 Tensorflow（和其他后端）的复杂性，仅此而已。

如果您需要/想要更好地控制幕后发生的事情，您可以直接使用 Tensorflow（您可以控制几乎所有内容，并且可以确保您的实现有效地完成了您想要的操作）。

如果您只想快速制作原型并开发模型，那么 Keras 很好，因为它可以更快地完成。权衡是你失去了一些控制，因为 Keras 为你做了很多你不会做的事情。例如，您不能更改卷积层的变量名称/范围，因为它们在 keras 层定义中是固定的（内核将始终是“内核”，而偏差将始终是“偏差”）。

但是，由于 Tensorflow 是先构建图再执行，所以在 Keras 或 Tensorflow 中定义的同一个图的执行速度是一样的（Keras 只会减慢图的构建，那只是 Python 代码）。

【讨论】：

感谢您的回答。有没有关于 Keras 不能做的事情的资源，但只能用纯 Tensorflow？具有深度学习的范围而不是一般的图形计算？我试图找出是否值得深入 Tensorflow，或者我留在 Keras 是否可以。