TensorFlow和Keras应如何选择？

前些年，深度学习领域的研究人员、开发人员和工程师必须经常做出一些选择：

1. 我应该选择易于使用但自定义困难的 Keras 库？
2. 还是应该使用难度更大的 TensorFlow API，编写大量代码？（更不用说一个不那么容易使用的 API 了。）

如果你陷于“应该使用 Keras 还是 TensorFlow”这样的问题，可以退一步再看，其实这是一个错误的问题，因为完成可以选择同时使用两个。

如果你是 TensorFlow 用户，那也应该开始考虑 Keras API 了，因为：

1. 它是基于 TensorFlow 创建的
2. 它更易于使用
3. 当你需要用纯 TensorFlow 实现特定性能或功能时，它可以直接用于你的 Keras。

关于tf.keras基础知识点

• tf.keras的基本流程
• tf.keras实现模型构建的方法
• tf.keras中模型训练验证的相关方法

---

今天通过鸢尾花分类案例，来给大家介绍tf.keras的基本使用流程。tf.keras使用tensorflow中的高级接口，我们调用它即可完成：

1. 导入和解析数据集
2. 构建模型
3. 使用样本数据训练该模型
4. 评估模型的效果。

由于与scikit -learn的相似性，接下来我们将通过将Keras与scikit -learn进行比较，介绍tf.Keras的相关使用方法。

1.相关的库的导入

在这里使用sklearn和tf.keras完成鸢尾花分类，导入相关的工具包：

# 绘图
import seaborn as sns
# 数值计算
import numpy as np
# sklearn中的相关工具
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
# 逻辑回归
from sklearn.linear_model import LogisticRegressionCV
# tf.keras中使用的相关工具
# 用于模型搭建
from tensorflow.keras.models import Sequential
# 构建模型的层和激活方法
from tensorflow.keras.layers import Dense, Activation
# 数据处理的辅助工具
from tensorflow.keras import utils

2.数据展示和划分

利用seborn导入相关的数据，iris数据以dataFrame的方式在seaborn进行存储，我们读取后并进行展示：

# 读取数据
iris = sns.load_dataset("iris")
# 展示数据的前五行
iris.head()

​

另外，利用seaborn中pairplot函数探索数据特征间的关系：

# 将数据之间的关系进行可视化
sns.pairplot(iris, hue='species')

​将数据划分为训练集和测试集：从iris dataframe中提取原始数据，将花瓣和萼片数据保存在数组X中，标签保存在相应的数组y中：

# 花瓣和花萼的数据
X = iris.values[:, :4]
# 标签值
y = iris.values[:, 4]

利用train_test_split