Keras gegen tf.keras

Ich bin etwas verwirrt, wenn ich für mein neues Forschungsprojekt zwischen Keras (keras-team / keras) und tf.keras (tensorflow / tensorflow / python / keras /) wähle.

Es gibt eine Debatte, in der Keras niemandem gehört, daher können die Leute gerne dazu beitragen, und es wird in Zukunft viel einfacher sein, das Projekt zu verwalten. Für den Fall, dass Sie nicht mehr weiterkommen möchten

Auf der anderen Seite, tf.keras ist im Besitz von Google, so strengen Prüfung und Wartung. Darüber hinaus scheint dies eine bessere Option zu sein, um die neuen Funktionen von Tensorflow v.2 zu nutzen.

Um ein Data Science-Projekt (maschinelles Lernen) (in der Forschungsphase) zu starten, sind beide am Anfang in Ordnung. Welches wählen Sie ?!

Aus Keras repo .:

Keras ist eine in Python geschriebene High-Level-API für neuronale Netzwerke, die auf TensorFlow, CNTK oder Theano ausgeführt werden kann.

Und

Installieren Sie vor der Installation von Keras eine der Back-End-Engines: TensorFlow, Theano oder CNTK. Wir empfehlen das TensorFlow-Backend.

Keras ist also ein Skin (eine API). TensorFlow hat beschlossen, diese Haut in sich aufzunehmen tf.keras. Da Keras APIs bereitstellt, die TensorFlow bereits implementiert hat (es sei denn, CNTK und Theano übernehmen TensorFlow, was unwahrscheinlich ist), tf.keraswürde Keras hinsichtlich der API-Vielfalt mithalten. Daher würde ich vorschlagen, mit zu gehen, tf.keraswas Sie mit nur einem Repo von höherer Qualität beschäftigt. statt zwei, was weniger Kopfschmerzen bedeutet.

Welches wählst du ?!

tf.keras‬.

Dieser Tweet von François Chollet schlägt die Verwendung von tf.keras vor .

Wir empfehlen Ihnen, Ihren Keras-Code auf tf.keras zu ändern.

Sowohl Theano als auch CNTK sind aus der Entwicklung. Als Keras-Backends machen sie weniger als 4% der Keras-Nutzung aus. Die anderen 96% der Benutzer (von denen mehr als die Hälfte bereits auf tf.keras sind) werden besser mit tf.keras bedient.

Die Keras-Entwicklung wird sich künftig auf tf.keras konzentrieren.

Wichtig ist, dass wir versuchen, tf.keras in einem eigenständigen GitHub-Repository bei keras-team / keras zu entwickeln, um es für Drittanbieter einfacher zu machen, Beiträge zu leisten.

Keras bewegte sich nie schneller als jetzt