2.4　Keras还是tf.keras

另一个合理的问题是，你应该将Keras与TensorFlow一起用作后端，还是使用在TensorFlow中直接可用的tf.keras中的API。注意，Keras与tf.keras之间并没有1:1的对应关系。Keras并未实现tf.keras中的许多端点，而tf.keras不像Keras那样支持多个后端。那么，到底选择Keras还是tf.keras？我的建议是后者。tf.keras与Keras相比具有多个优点，包括本章中讨论的TensorFlow增强功能（即刻执行；对分布式训练的原生支持，包括基于TPU训练；以及对TensorFlow SavedModel交换格式的支持）。但是，如果你打算编写可在多个后端（包括Google TensorFlow、Microsoft CNTK、Amazon MXnet和Theano）上运行的高度可移植的代码，则推荐Keras。注意，Keras是一个独立的开源项目，其开发不依赖于TensorFlow。因此，Keras仍将在可预见的未来继续发展。注意，Keras 2.3.0（于2019年9月17日发布）是支持TensorFlow 2.0的多后端Keras的第1版。它保持与TensorFlow 1.14和1.13以及Theano和CNTK的兼容性。

让我们以新的比较结果来结束本章：Kaggle上每次竞赛的前5名团队使用的主流机器学习软件工具。图2-5是Francois Chollet于2019年4月初在Twitter上进行的一项调查（感谢Francois同意将其纳入本书！）。

图2-5　2019年Kaggle前5名团队使用的主流机器学习工具

本节中，我们已经看到了Keras和tf.keras之间的主要区别。