tensorflow keras 版本_初学AI神经网络应该选择Keras或是Pytorch框架？-CSDN博客

对于许多开发者来说，TensorFlow是他们接触的第一个机器学习框架。TensorFlow框架尽管意义非凡，引起极大关注和神经网络学习风潮，但对一般开发者用户太不友好。

软件开发者毕竟不是科学家，很多时候简单易学易用是程序员选择的第一要素。目前，两个主要的深度学习库Keras和Pytorch获得了大量关注，主要是因为它们的使用比较简单。

一、发展演变历程

keras

keras出身就像是一个天生丽质的姑娘，是多个计算后台框架的”前端”，轻量且容易入门。

keras是神经网络的一个模型计算框架，严格来说不是神经网络框架。本身没有重量级计算，它使用其他AI框架作为计算后台，傻瓜式的使用。它的计算后台还支持 Theano、CNTK(微软的一个AI计算后台)等，也就是说keras是多个计算后台的门面。官方设计哲学为Simple. Flexible. Powerful，是深度学习入门的绝佳技术路线

举个tensorflow1.0的例子(伪代码)

定义Variable、constant、placeholder等。初始化global_variables_initializersession回话状态。再关闭session。

其中神经网络的各个层需要单独定义，还有一些激活函数、损失函数等概念。看到这些对于一个AI刚入门的开发者确实有些茫然。

keras是google的一个大佬开发的一个高度封装的模型框架，已开源到github上。起初的计算后台为Theano(和tensorflow差不多的一个框架)，后来经过一系列的剧情，现在默认的计算后台就为tensorflow了。另外由于tensorflow1.0的细节过于繁琐混乱，升级版的tensorflow2.0基本抛弃了上述编写语法。其自家小弟tensorflow.keras 已经和keras版本同步了。

backend为Tensorflow的keras

Pytorch

Pytorch是一个机器学习框架(类似于Theano、tensorflow等)。与Keras一样，它也抽象出了深层网络编程的许多混乱部分(大神踩过的坑，我们就没有必要踩了)。就学习难易和语言高级程度而言，Pytorch介于Keras和TensorFlow之间。但比起Keras具有更大的灵活性和控制能力，但又不必进行任何复杂的声明式编程，如果想深入了解机器学习pytorch库就是不错的选择。

二、应用领域

keras

keras比较适合入门级学习，如程序员、系统开发者等非专业开发者，结合其后端(tensorflow等)部署，在工业领域在目前应用范围广。

Pytorch

目前，在学术界Pytorch已经超越其他框架，应为它轻部署，重验证。而keras相当于一个大前端，直接使用keras对于专业人员(科学家、学者、工程师)来说，屏蔽了许多细节，不利于研究，一般不是很合适。

三、模型定义方式

Keras

为了定义深度学习模型，Keras提供了函数式API。使用函数式API，神经网络被定义为一系列顺序化的函数，一个接一个地被应用。定义神经网络是非常直观的，因为使用API可以将层定义为函数。如下图示例(伪代码)

#定义modelmodel = keras.Sequential([    keras.layers.Flatten(input_shape=(28, 28)),    keras.layers.Dense(128, activation='relu'),    keras.layers.Dense(10)])#编译compilemodel.compile(optimizer='adam',              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),              metrics=['accuracy'])#拟合fitmodel.fit(train_images, train_labels, epochs=10)#评估evaluatetest_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)print('Test accuracy:', test_acc)#预测predictpredictions = model.predict(test_images)

Pytorch

在Pytorch中，你将网络设置为一个继承来自Torch库的torch.nn.Module的类。与Keras类似，Pytorch提供给你将层作为构建块的能力，但是由于它们在Python类中，示例如下(伪代码)。

class Net(nn.Module):    def __init__(self):        super(Net, self).__init__()pass           def forward(self, x):          return xmodel = Net()

四、细节与张量的处理

Keras

Keras API向开发者隐藏了许多琐碎的细节(免得踩坑)。这使得定义网络层是简单，默认的设置通常足以让你入门，对应开发者来说就学习是1+1=2，而产量是>2的。

Pytorch

Pytorch在这些方面更宽容一些。你需要知道每个层的输入和输出大小，但是这是一个比较容易的方面，你可以很快掌握它。你不需要构建一个抽象的计算图，避免了在实际调试时无法看到该抽象的计算图的细节。另外，你可以在Torch张量和Numpy数组之间来回切换，它们是内存共享的。如果你需要实现一些自定义的东西，那么在TF张量和Numpy数组之间来回切换可能会很麻烦，这要求开发人员对TensorFlow会话有一个深入的理解。