张量流完全连接的层之间的差异

Question

张量流中可用的不同完全连接层之间的区别是什么？我了解可能有2个版本：面向对象和功能，但是我能够在tensorflow中找到4个不同的层：

1. tf.keras.layers.Dense
2. tf.layers.dense
3. tf.layers.Dense
4. tf.contrib.layers.fully_connected

文档中包含使用所有示例的示例。我也想知道何时使用每一层。

Answer 1

1. Keras是一个深度学习库，可充当Tensorflow和Theano等“较低级”语言的包装。它最近已集成为Tensorflow项目，并且是代码库的一部分。如果您使用的是“原始” Tensorflow，则不应使用此层。

2. Tensorflow定义了一个功能接口。 lowercase的层和操作通常是其中的一部分。在定义自定义层或损失函数时，这些函数用作构建块。

3. 这是您应该使用的图层。

4. 这来自contrib库-这些功能通常更具实验性和易变性。一旦某个功能被认为是稳定的，则应使用其其他实现（3）。 （4）仍将存在于库中以保持向后兼容性。

Answer 2

1. 是Keras包装器函数。其功能与3相同。Checkout Keras。
2. 它是张量流的功能接口。
3. 常用的。
4. 功能正在开发中。

从技术上讲，前3个具有相同的功能（相同的输入和输出）。