【IT168 资讯】Christopher Lamb称，在过去的几个月里，他在TensorFlow和Keras上花费了大量的时间，一直在探索什么时候应该使用哪个工具。

　　对于还没有接触过Keras的人来说，可能不了解Keras是什么。它是一个专为简单的神经网络组装而设计的Python库，具有大量预先包装的网络类型，包括二维和三维风格的卷积网络、短期和长期的网络以及更广泛的一般网络。使用Keras构建网络是直接的。Keras在其API设计中使用的语义是非常的面向层次，这使网络组件相对的直观一些。

　　另一方面，TensorFlow可以说是更强大的一种框架，但它没有所有的预先包装的网络。也没有Keras的大量预先包装的网络类型。但是，它可以任您构建任意复杂的神经体系结构。

　　Keras非常注重层面。并非所有网络都使用严格的分层，在TensorFlow中，您可以更好地控制网络。如果您使用已知的网络设计，并以新的方式将其组合，或将其应用于新数据，那么Keras是首选。但是，如果您正在设计新的网络类型，TensorFlow似乎是非常好的选择。

　　一旦实施了新的网络体系架构，能够重用该架构确实可以使您更轻松一些。您可以实现将数据传递给后续层的自定义层，或者可以执行更复杂的操作。

　　在实施新模型和面对新数据和TensorFlow实现已知体系结构时，请使用Keras。当TensorFlow模型完成时，端口到Keras并添加到您的个人库中。这样，您可以专注于在构建这些类型的系统时需要注意的其他事项：格式化输入数据、评估结果、调整超参数等。这个方法也适用于Theano，以及任何其他深入学习框架。

　　Christopher Lamb称，他使用TensorFlow进行原型设计，然后使用Keras和Keras原语为可移植性构建最终的模型。取两种框架的精华。