最近我正在观看TensorFlow的介绍，在那个过程中，Keras成为了一个高级API，可以在后端使用TensorFlow或Theano。
我和他们两个一起玩，并用第一个纯TensorFlow进行了MNIST LeNet-5实现，之后用Keras进行了实现。至少在我的机器上，当直接使用TensorFlow时，我无法看到任何显着的性能提升。
所以现在我的问题是：使用TensorFlow直接比Keras有什么好处？也许这是一个规模问题，我是否会看到大规模项目的性能显着提升？
答案 0 :(得分：6)
Keras只是隐藏了Tensorflow（和其他后端）的复杂性，这就是全部。
如果您需要/想要更好地控制幕后发生的事情，您可以直接使用Tensorflow（您几乎可以控制所有内容，并且可以确保您的实施有效地执行您想要的操作）。 / p>
如果您只想快速制作原型并开发模型，那么Keras很好，因为它可以更快地完成。权衡的是你放松了一点控制权，因为Keras为你做了很多你不会做的事情。例如，您无法更改卷积层的变量名称/范围，因为它们在keras层定义中是固定的（内核始终是＆＃39;内核＆＃39;偏差始终为＆＃39; 39;偏压＆＃39）
。然而，由于Tensorflow首先构建一个图形然后执行它，因此Keras或Tensorflow中定义的相同图形的执行速度是相同的（Keras只减慢图形结构，只是Python代码）
更新：来自Tensorflow 2.0，默认使用tf.keras：https://pgaleone.eu/tensorflow/gan/2018/11/04/tensorflow-2-models-migration-and-new-design/