Question

我遇到了严重的不兼容问题，因为相同的代码在一个与另一个之间运行；例如：

查看Github source时，模块及其导入看起来完全相同，甚至tf.keras甚至从tf.python.keras导入。在教程中，我看到两者都经常使用。例如，下面的代码将以tf.python.keras失败。

怎么了？有什么区别，什么时候应该使用其中一个？

from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Nadam
import numpy as np

ipt   = Input(shape=(4,))
out   = Dense(1, activation='sigmoid')(ipt)
model = Model(ipt, out)
model.compile(optimizer=Nadam(lr=1e-4), loss='binary_crossentropy')

X = np.random.randn(32,4)
Y = np.random.randint(0,2,(32,1))
model.train_on_batch(X,Y)

其他信息：

CUDA 10.0.130，cuDNN 7.4.2，Python 3.7.4，Windows 10
tensorflow，tensorflow-gpu v2.0.0和Keras 2.3.0（通过pip），其他都通过Anaconda 3

Answer 1

从官方TensorFlow dev起，缩短了（强调我的意思）：

API导入位于软件包的根目录中。其他任何导入都只是Python，允许您访问私有程序而无需考虑良好的编码习惯。

导入的唯一方法是
import tensorflow as tf
tf.keras
我们还为from tensorflow.keras import提供支持，尽管这很脆弱，但随着我们不断进行重构，它可能会崩溃。从tensorflow.python或任何其他模块（包括import tensorflow_core（包括tf.python.keras）导入，并且可能会在未通知的情况下中断。

我：要确认，tf.python是私有，用于开发，而不是公开使用？

是的，确实如此。 tf.python下的任何内容都是私有的

但是，这还不是全部。 tf.python.framework仍然是访问某些功能/类的唯一方法-例如tf.python.ops中使用的tf.keras.optimizers和tf.python。但是如上所述，除非您正在“开发”（即编写自定义功能或类），否则这不会成为问题。无需触摸tf.keras即可使用“开箱即用”功能。

请注意，这不仅是兼容性问题，而且“只要没有任何问题”，两者就不能互换。例如，tf.python.keras使用optimizer_v2，这与tf.python.keras Optimizer完全不同。

最后，请注意，以上两个链接都以tf.keras结尾-不确定，但是看来OptimizerV2在TF Github中实际上并不存在（例如，没有引用tensorflow_core/python/keras/api/_v2），但在本地安装时，它会与from tensorflow import keras print(keras.__file__) from tensorflow.python import keras print(keras.__file__)文件夹中的TF 合并：

D:\Anaconda\lib\site-packages\tensorflow_core\python\keras\api\_v2\keras\__init__.py D:\Anaconda\lib\site-packages\tensorflow_core\python\keras\__init__.py

python/

尽管两者都共享tf.python文件夹，但它们不是两者__init__.py-可以从各自的tf.python.keras.optimizers进行验证。

更新：tf.python.keras.layers和tf.keras.optimizers一起使用的tf.keras.layers与done一起使用的ver运行速度慢了 11.5倍中型模型（code）。我继续在用户代码中看到前者-将其视为警告提示。

tf.keras和tf.python.keras有什么区别？

1 个答案: