keras(有人说Keras在TensorFlow中的分量越来越重)

keras，有人说Keras在TensorFlow中的分量越来越重？

其实keras并不只是在tensorflow的体系里越来越重要，它在tensorflow中重要也是因为它是谷歌为tensorflow开发的一套API，所以亲妈抚养的孩子自然容易长大。

另外，我们如果把keras看作是web前端的技术，那么tensorflow就好比是后台的java或者php。也就是说keras是一套类似标准的“UI”，而且是面向开发者设计的，也就是面向“操作员”设计的深度学习框架，这就使得它容易学习，容易使用，开发人员的效率会提高。

keras在2018年就拥有了25000名个人用户，它的易用性，它的亲和度都很好。

keras还支持其他深度学习框架，当然它本身并不是为其他深度学习框架而设计的，只是热度太高，设计的太好，所以其他深度学习框架的开发公司愿意让自己的框架支持keras。

深度学习框架已经发展了不少年了，直到现在，很多工程师不会使用，也可能是缺少类似keras这样的“前端”吧！

pycharm无法安装keras？

可以通过pycharm的控制台进行安装，也可以通过linux终端进行安装，也可以通过anaconda进行安装。

keras如何导入layer？

keras通过data log导入layer normalization

Keras还是TensorFlow？

如果想尽可能快速并且以少量的代码建立并测试神经网络，keras是最快速的， Sequential API和Model的功能十分强大。并且keras的设计十分用户友好，以数据输入输为例，对比keras简单的操作，tensorflow解码编码的构建过程特别繁杂（尤其对于初学者来说，大量的记忆过程上手非常痛苦）。除此之外，keras将模块化作为设计原则之一，使用者可以各按所需进行组合。如果只是想快速地搭建常见的模型来实现自己的想法，keras可以作为首选。

但是，keras在封装后会变得很不灵活，并且加上它本身速度也比较慢，如果是高度封装，前面提到的缺点会更加明显，除了一些对速度要求很低的工业应用，tensorflow会因为更高速而被选择

如果在验证自己想法的时候，不想用既有的设定而是想要自己定义损失函数、测度、层数等等，相比keras，tensorflow提供了更多个性的空间。此外，对神经网络控制力度的大小会很大程度决定对网络的理解和优化工作，而keras种提供的权限很少，tensorflow相反给了更多操控权，比如对多个变量中的某一变量是否进行训练、对梯度进行操作(以获取训练的进展)等等。

虽然二者都提供深度学习模型通常所需的功能性，但是，如果使用者还追求一些更高阶的功能性的选择，像是进行特殊种类模型的研究，就要求诸tensorflow了。比如，如果想要运算加速，可以使用tensorflow的线程功能，多线程实行同一对话。另外，它还提供调试器的功能，对推断bug和加速运算都有帮助。