keras和tensorflow,Python深度学习中keras，tensorflow，scikit-learn哪个好用？

keras和tensorflow,Python深度学习中keras，tensorflow，scikit-learn哪个好用？详细介绍

本文目录一览： keras和tensorflow的关系

Keras作为前端，TensorFlow作为后端。1.一直在用keras，说点个人感受。2.和TensorFlow对应的是Theano，Torch，而Caffe专精于图像处理。3.Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口。

如何从零使用 Keras + TensorFlow 开发一个复杂深度学习模型？

Keras 是提供一些高可用的 Python API ，能帮助你快速的构建和训练自己的深度学习模型，它的后端是 TensorFlow 或者 Theano 。本文假设你已经熟悉了 TensorFlow 和卷积神经网络，如果，你还没有熟悉，那么可以先看看这个10分钟入门 TensorFlow 教程和卷积神经网络教程，然后再回来阅读这个文章。
在这个教程中，我们将学习以下几个方面：
为什么选择 Keras？为什么 Keras 被认为是深度学习的未来？
在Ubuntu上面一步一步安装Keras。
Keras TensorFlow教程：Keras基础知识。
了解 Keras 序列模型4.1 实际例子讲解线性回归问题
使用 Keras 保存和回复预训练的模型
Keras API6.1 使用Keras API开发VGG卷积神经网络6.2 使用Keras API构建并运行SqueezeNet卷积神经网络。
安装 h5py，用于模型的保存和载入：
pip install h5py
还有一些依赖包也要安装。
pip install numpy scipy
pip install pillow
为什么选择Keras的原因：
Keras 是 Google 的一位工程师Fran?ois Chollet 开发的一个框架，可以帮助你在 Theano 上面进行快速原型开发。后来，这被扩展为 TensorFlow 也可以作为后端。并且最近，TensorFlow决定将其作为 contrib 文件中的一部分进行提供。
Keras 被认为是构建神经网络的未来，以下是一些它流行的原因：
轻量级和快速开发：Keras 的目的是在消除样板代码。几行 Keras 代码就能比原生的 TensorFlow 代码实现更多的功能。你也可以很轻松的实现 CNN 和 RNN，并且让它们运行在 CPU 或者 GPU 上面。
Keras基础知识
在Keras中主要的数据结构是 model ，该结构定义了一个完整的图。你可以向已经存在的图中加入任何的网络结构。import keras
Keras 有两种不同的建模方式：
Sequential models：这种方法用于实现一些简单的模型。你只需要向一些存在的模型中添加层就行了。
Functional API：Keras的API是非常强大的，你可以利用这些API来构造更加复杂的模型，比如多输出模型，有向无环图等等。

各位老大，import tensorflow.keras as keras和 from tensorflow import keras；这两种写法有什么区别？

以上两种写法的实现的功能一样， 第一种是 import 导入 ，as 另做别名。 第一种的意思是 将 tensorflow库里面的keras功能导入，如果后面不用as的话，每次调用代码要写全tensorflow.keras ,所以为了实现本地简写代码 用as 把导入的tensorflow.keras功能使用keras别名即可调用。
第二种是 from import 从哪个包 导入某个功能 ，所以上面就是将TensorFlow库里面的keras功能导入。 调用直接用keras了
如果要从一个库里面调用多个方法的话，而不是全部导入的话。 建议使用第二种，代码会比较简洁明了。如果使用第一种会要写很多import。 而是用第二种 写一个行 后面逗号跟多个方法和类就好了。例如：from tensorflow import keras,方法1,类1,.....

Python深度学习中keras，tensorflow，scikit-learn哪个好用？

scikit-learn主要是用于机器学习，要是深度学习的话不太适合。
keras和tensorflow其实是一家，tensorflow自带了tf.keras，所以我觉得两个可以都学，不冲突。
keras能够快速搭建一个较为简单的模型，通过调用keras.layers中的类就可以搭建一个简单的模型，tensorflow相比于keras能够改变具体模型内部的计算方法，更适合深入研究算法。
所以我建议先用keras入门，等到keras逐渐不能满足需求时，再用tensorflow与keras结合的方法构建你自己的模型结构
可以去看看tensorflow2的教程（因为tf2大部分都是用keras编写，所以也会有人叫kerasflow）

如何从零使用 Keras + TensorFlow 开发一个复杂深度学习模型

最近刚开始使用theano, 经验不多，连个基本的模型都跑不通，于是去看了下Keras，源码比较简洁，可以当作theano的示例教程来看，感受如下：
文档看似很全，每个layer是干啥的，每个参数是啥都写了，但是不去读代码，实际很多人是无法从文档理解其具体用法的。这点看issue里的讨论里可以看出。同样，example似乎很多，而且都能直接run，还都是real world的数据集，看似很好，但是实际上，对于新手，如果需要的模型跟example里的不完全一样，不容易搞懂到底需要把输入输出的数据搞成啥格式。举个例子，example都是做的classification的，没有做sequence labeling的例子，如果想拿来做个pos tagging，不知道数据如何组织。当然，这些其实花一天读下代码或者好好翻翻issue讨论就可以解决了，但我相信不少人不会去认真读代码或者看讨论，而是直接换个工具。我感觉目前的doc只有懂了代码的人才能看懂，不懂得看文档还是没啥用。
2.项目很简单所以开发者不多，但是很活跃，每天都有新东西加进去。今天增加了一个新的分支后端可以用theano或者tensorflow了，不过貌似由于不支持scan，backend用tensorflow的没实现recurrent layer。他们也意识到文档的问题，觉得需要为小白用户多加点tutorial而不是光给develop看。
我没用过其他的framework，仅说keras拿来学习theano基本用法，很不错
库本身的代码，比较简单易读，我作为python菜鸟，也能看懂。目前model有sequential和grapgh两种，前者并不是指recurrent而是说网络是一层层堆的（也包括recurrent）.其他的主要概念包括layer，regularizer, optimizer,objective都分离开。layer用于build每层的输出函数，model会用最后一层的输出，根据objective和每个layer的regularizer来确定最终的cost，然后在update时用optimizer来更新参数。把这四个看下加上model里的fit函数，就会用theano啦。很多模型都能cover，seq2seq这种也有现成的可用。建议不要光看example，多看看github上的 issues讨论，实在找不到，直接提问。效率方面，我不懂theano怎么优化，感觉keras的这种封装，没什么成本，跟自己用原生theano是一样的。当然，theano本身就好慢啊。。估计是我不懂用吧。。

keras和卷积神经网络关系

密切相关。Keras是一个高级神经网络API，它可以运行在TensorFlow、Theano和CNTK等深度学习框架之上，提供了一种简单易用的方式来构建和训练神经网络模型。而卷积神经网络（Convolutional Neural Network，CNN）是一种特殊的神经网络结构，它在图像识别、语音识别、自然语言处理等领域取得了很好的效果。Keras提供了一些内置的卷积神经网络模型，如VGG、ResNet、Inception等，同时也提供了一些卷积神经网络的层，如卷积层、池化层、批量归一化层等，可以方便地构建卷积神经网络模型。因此，Keras和卷积神经网络是密切相关的，Keras可以帮助我们更加方便地构建和训练卷积神经网络模型。

如何比较Keras，TensorLayer，TFLearn

首先它们都是把神经网络抽象成不同的Layer，以便用户自定义网络。
Keras
优点：Theano时代就推出了，使用者较多，有个人维护的中文文档，虽然更新很慢。纯scikit-learn式编程，隐藏了数据流的细节，数据流没有叙述的很清楚，到目前为止，并没有理解keras的时间数据输入方式...
缺点：运行TensorFlow时很慢，拓展性差（国外测评说是因为 Keras 最开始只是为了 Theano 而开发的，TensorFlow发布后才写支持TensorFlow的代码，所以为了兼容牺牲了效率）。不适合科研单位和企业，换句话说毕业以后要重新学另外一个框架..... 复杂的情况会出现error，这时候调试只能靠运气了。。
TensorLayer
优点：对学术界的优势是灵活性很强，甚至可以很简单地实现动态网络结构（Neural Modular Network）.... 对工业界的优势是运行速度快。教程很强大，还包含了 Google TensorFlow 官网的模块化实现。同时提供scikit-learn式的API，和专业级的API，适合新手到老手过渡。
缺点：刚刚推出（16年8月份）使用者少，但我发现中文使用者不少，有很多微信群、qq群可以交流，有可能和TL官方推出中文文档有关。
Tflearn
优点：不像Keras那样兼容两种后端，所以效率比 Keras 快，但根据国外测评还是比 TensorLayer慢一些。
缺点：维护不好，作者居然在github issues那里说 “有时间再实现 seq2seq”，我晕... 有对话为证Seq2Seq Machine Translation · Issue #120 · tflearn/tflearn · GitHub
国外对 TensorLayer 和 Keras 比较的结论基本是企业界和学术界使用 TensorLayer+TensorFlow 搭配，学生使用Keras（若未来想从事机器学习的工作，我个人建议还是好好看下TensorFlow吧）。
个人观点：学习 TensorFlow 是一个大趋势，题主提到的库都是基于 TensorFlow 开发的，选择一个库非常关键。若想熟练掌握深度学习，不妨先学习下 TensorFlow 本身

tensorflow与对应的keras版本

若版本不对应，可能报如下错误：

AttributeError: module 'tensorflow.python.keras.backend' has no attribute 'get_graph'

为什么tensorflow2.8没有keras

1、tensorflow2.8没有keras是因为需要下载一个keras插件。2、还有可能是tensorflow2.8没有更新，使用的还是老版本。

keras是什么

Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化 [1] 。
Keras在代码结构上由面向对象方法编写，完全模块化并具有可扩展性，其运行机制和说明文档有将用户体验和使用难度纳入考虑，并试图简化复杂算法的实现难度 [1] 。Keras支持现代人工智能领域的主流算法，包括前馈结构和递归结构的神经网络，也可以通过封装参与构建统计学习模型 [2] 。在硬件和开发环境方面，Keras支持多操作系统下的多GPU并行计算，可以根据后台设置转化为Tensorflow、Microsoft-CNTK等系统下的组件 [3] 。
Keras的主要开发者是谷歌工程师Fran?ois Chollet，此外其GitHub项目页面包含6名主要维护者和超过800名直接贡献者 [4] 。Keras在其正式版本公开后，除部分预编译模型外，按MIT许可证开放源代码