tf.keras.layers和tf.layers有什么区别？

Question

tf.keras.layers与tf.layers有什么区别？
例如。他们两个都有Conv2d，它们提供不同的输出吗？
 如果将它们混合在一起（在一个隐藏层中像tf.keras.layers.Conv2d，在下一个隐藏层tf.layers.max_pooling2d之类的东西）会有好处吗？

Answer 1

deleteMany是一个tensorflow-keras层，而tf.keras.layers.Conv2d是一个tensorflow的``本机层''

您不能直接在Keras模型中使用本机层，因为它将缺少Keras API所需的某些属性。

但是，如果将其包装在tensorflow-keras tf.layers.max_pooling2d层中，则可以使用本机层。与此相关的文档的链接如下。

https://www.tensorflow.org/api_docs/python/tf/keras/layers/Lambda

Answer 2

至少从TensorFlow 1.12开始，tf.layers只是tf.keras.layers的包装器。

一些例子：

卷积tf.layers只是从卷积tf.keras.layers继承而来，请参见源代码here：

@tf_export('layers.Conv2D')
class Conv2D(keras_layers.Conv2D, base.Layer):

所有core tf.layers的情况都一样，例如：

@tf_export('layers.Dense')
class Dense(keras_layers.Dense, base.Layer):

通过将Keras集成到TensorFlow中，维护几种不同的层实现几乎没有意义。 tf.keras正在成为TensorFlow的事实上的高级API，因此tf.layers现在只是tf.keras.layers的包装器。

Answer 3

tf.layers模块是Tensorflow尝试创建类似Keras的API，而tf.keras.layers是兼容性包装器。实际上，大多数实现都回溯到tf.layers，例如tf.keras.layers.Dense继承了core implementation：

@tf_export('keras.layers.Dense')
class Dense(tf_core_layers.Dense, Layer):
  # ...

由于tf.keras兼容性模块已单独检入Tensorflow回购中，因此它可能缺少Keras实际提供的功能。我会直接使用Keras或tf.layers，但不一定要混合使用。