导读

在本文中，您将发现Keras和tf.keras之间的区别，包括TensorFlow 2.0中的新增功能。

万众期待的TensorFlow 2.0于9月30日正式发布。

虽然肯定是值得庆祝的时刻，但许多深度学习从业人员（例如耶利米）都在挠头：

• 作为Keras用户，TensorFlow 2.0版本对我意味着什么？

• 我是否应该使用keras软件包来训练自己的神经网络？

• 还是应该在TensorFlow 2.0中使用tf.keras子模块？

• 作为Keras用户，我应该关注TensorFlow 2.0功能吗？

从TensorFlow 1.x到TensorFlow 2.0的过渡至少有些艰难，至少要开始，但是有了正确的了解，您将能够轻松地进行迁移导航。

在本教程的其余部分中，我将讨论Keras，tf.keras和TensorFlow 2.0版本之间的相似之处，包括您应注意的功能。

在本教程的第一部分中，我们将讨论Keras和TensorFlow之间相互交织的历史，包括他们共同的受欢迎程度如何相互滋养，彼此成长和滋养，从而使我们走向今天。

然后，我将讨论为什么您应该在以后的所有深度学习项目和实验中都使用tf.keras。

接下来，我将讨论“计算backend”的概念，以及TensorFlow的流行度如何使其成为Keras最流行的backend，为Keras集成到TensorFlow的tf.keras子模块中铺平道路。

最后，我们将讨论您作为Keras用户应关注的一些最受欢迎的TensorFlow 2.0功能，包括：

• Sessions and eager execution

• Automatic differentiation

• Model and layer subclassing

• Better multi-GPU/distributed training support

TensorFlow 2.0中包含一个完整的生态系统，其中包括TensorFlow Lite（用于移动和嵌入式设备）和TensorFlow Extended，用于开发生产机器学习管道（用于部署生产模型）。

让我们开始吧！

Keras和TensorFlow之间的纠缠关系

理解Keras和TensorFlow之间复杂，纠缠的关系就像聆听两位高中情侣的爱情故事，他们开始约会，分手并最终找到了自己的路，这很长，很详尽，有时甚至矛盾。

我们不会为您回忆完整的爱情故事，而是会回顾CliffsNotes：

• Keras最初是由Google AI开发人员/研究人员Francois Chollet创建和开发的。

• Francois于2015年3月27日承诺将Keras的第一个版本发布到他的GitHub。

• 最初，Francois开发了Keras，以促进他自己的研究和实验。

• 但是，随着深度学习的普及，许多开发人员，程序员和机器学习从业人员都因其易于使用的API而蜂拥而至Keras。

• 那时，可用的深度学习库还不多，热门的库包括Torch，Theano和Caffe。

• • 这些库的问题在于，这就像试图编写程序集/ C ++来执行您的实验一样——繁琐，耗时且效率低下。

  • 另一方面，Keras非常易于使用，这使得研究人员和开发人员可以更快地迭代他们的实验。

• 为了训练您自己的自定义神经网络，Keras需要一个backend。

• • backend是一个计算引擎——它构建网络图/拓扑，运行优化器并执行实际的数字运算。

  • 要了解backend的概念，请考虑从头开始构建网站。在这里，您可以使用PHP编程语言和SQL数据库。您的SQL数据库是您的backend。您可以使用MySQL，PostgreSQL或SQL Server作为数据库。但是，用于与数据库进行交互的PHP代码不会更改（当然，前提是您使用的是某种抽象数据库层的MVC范例）。本质上，PHP并不关心正在使用哪个数据库，只要它符合PHP的规则即可。

  • Keras也是如此。您可以将backend视为数据库，将Keras视为用于访问数据库的编程语言。您可以交换自己喜欢的任何backend，只要它遵守某些规则，您的代码就不必更改。

  • 因此，您可以将Keras视为一组抽象的概念，这使得执行深度学习更加容易（请注意：尽管Keras始终启用快速原型制作，但对研究人员来说不够灵活。TensorFlow2.0对此进行了更改——在稍后的内容中将对此进行详细介绍）。

• 最初，Keras的默认backend是Theano，直到v1.1.0为止都是默认的。

• 同时，Google发布了TensorFlow，这是一个用于机器学习和训练神经网络的符号数学库。

• • Keras开始支持TensorFlow作为backend，缓慢但可以肯定的是，TensorFlow成为最受欢迎的backend，因此从Keras v1.1.0版本开始，TensorFlow成为默认的backend。

• 根据定义，一旦TensorFlow成为Keras的默认backend，TensorFlow和Keras的使用量就会一起增长——如果没有TensorFlow，就无法拥有Keras，并且如果在系统上安装了Keras，那么您还将安装TensorFlow。

• • 同样，TensorFlow用户越来越被高级Keras API的简单性吸引。

• TensorFlow v1.10.0中引入了tf.keras子模块，这是将Keras直接集成在TensorFlow包本身中的第一步。

• tf.keras软件包与您将要通过pip安装的keras软件包分开（即pip install keras）。

• 原始的keras软件包不包含在tensorflow中以确保兼容性，因此它们都可以有机地发展。

• 但是，现在情况正在发生变化——当Google在2019年6月发布TensorFlow 2.0时，他们宣布Keras现在是TensorFlow的官方高级API，可以快速，轻松地进行模型设计和训练。

• 随着Keras 2.3.0的发布，Francois声明：

• • 这是Keras的第一个版本，使keras软件包与tf.keras同步

  • 这是Keras的最终版本，它将支持多个backend（例如Theano，CNTK等）。

  • 最重要的是，所有深度学习从业人员都应将其代码切换到TensorFlow 2.0和tf.keras软件包。

  • 原始的keras软件包仍将收到错误修复，但是继续前进，您应该使用tf.keras。

如您所知，Keras和TensorFlow之间的历史悠久，复杂且交织在一起。

但是，作为Keras用户，对您来说最重要的收获是，您应该在将来的项目中使用TensorFlow 2.0和tf.keras。

在以后的所有项目中开始使用tf.keras

在2019年9月17日，Keras v2.3.0正式发布-在发行版Francois Chollet（Keras的创建者和首席维护者）中指出：

Keras v2.3.0是使keras与tf.keras同步的第一个版本, 这将是最后一个支持TensorFlow以外的backend（即Theano，CNTK等）的主要版本。最重要的是，深度学习从业人员应该开始转向TensorFlow 2.0和tf.keras软件包

对于大多数项目，这就像从以下位置更改导入行一样简单：

  from keras... import ...

要使用tensorflow导入：

  from tensorflow.keras... import ...

如果您使用自定义训练循环或会话（Session），则必须更新代码才能使用新的GradientTape功能，但是总的来说，更新代码相当容易。

为了帮助您（自动）将代码从keras更新为tf.keras，Google发布了一个名为tf_upgrade_v2脚本，该脚本顾名思义可以分析您的代码并报告需要更新的行——该脚本甚至可以执行为您进行升级的过程。

您可以参考此处以了解有关自动将代码更新为TensorFlow 2.0的更多信息 https://www.tensorflow.org/guide/upgrade

Keras的计算“backend”

正如我在本文前面提到的那样，Keras依赖于计算backend的概念。

计算backend在构建模型图，数值计算等方面执行所有“繁重的工作”。

然后Keras作为abstraction坐在此计算引擎的顶部，使深度学习开发人员/从业人员更容易实现和训练他们的模型。

最初，Keras支持Theano作为其首选的计算backend——后来又支持其他backend，包括CNTK和mxnet等。

但是，到目前为止，最受欢迎的backend是TensorFlow，最终成为Keras的默认计算backend。

随着越来越多的TensorFlow用户开始使用Keras的易于使用的高级API，越来越多的TensorFlow开发人员不得不认真考虑将Keras项目纳入TensorFlow中名为tf.keras的单独模块中。

TensorFlow v1.10是TensorFlow的第一个版本，在tf.keras中包含了一个keras分支。

现在已经发布了TensorFlow 2.0，keras和tf.keras都是同步的，这意味着keras和tf.keras仍然是单独的项目; 但是，开发人员应该开始使用tf.keras，因为keras软件包仅支持错误修复。

引用Keras的创建者和维护者Francois Chollet：

这也是多后端Keras的最后一个主要版本。展望未来，我们建议用户考虑在TensorFlow 2.0中将其Keras代码切换为tf.keras。它实现了相同的Keras 2.3.0 API（因此切换应该像更改Keras导入语句一样容易），但是它对TensorFlow用户具有许多优势，例如支持eager execution, distribution, TPU training, and generally far better integration 在低层TensorFlow和高层概念（如“层”和“模型”）之间。它也得到更好的维护。

如果您同时是Keras和TensorFlow用户，则应考虑将代码切换到TensorFlow 2.0和tf.keras。

TensorFlow 2.0中Sessions and Eager Execution

使用tf.keras中的Keras API的TensorFlow 1.10+用户将熟悉创建会话以训练其模型：

  with tf.Session() as session:session.run(tf.global_variables_initializer())session.run(tf.tables_initializer())model.fit(X_train, y_train, validation_data=(X_valid, y_valid),epochs=10, batch_size=64)

创建Session对象并要求提前构建整个模型图有点麻烦，因此TensorFlow 2.0引入了Eager Execution的概念，从而将代码简化为：

  model.fit(X_train, y_train, validation_data=(X_valid, y_valid),epochs=10, batch_size=64)

Eager Execution 的好处是不必构建整个模型图。

取而代之的是，将立即评估操作，从而更轻松地开始构建模型（以及调试模型）。

有关Eager Execution的更多详细信息，包括如何与TensorFlow 2.0一起使用，请参阅本文。

https://medium.com/coding-blocks/eager-execution-in-tensorflow-a-more-pythonic-way-of-building-models-e461810618c8

而且，如果您想比较“Eager Execution”与“Sessions”及其对训练模型速度的影响，请参阅此页面。

https://github.com/sayakpaul/TF-2.0-Hacks/tree/master/Speed%20comparison%20between%20TF%201.x%20and%20TF%202.0

使用TensorFlow 2.0的Automatic differentiation（自动微分）和GradientTape（梯度带）

如果您是需要实施自定义网络层或损失函数的研究人员，那么您可能不喜欢TensorFlow 1.x（理应如此）。

至少可以说，TensorFlow 1.x的自定义实现很笨拙——还有很多不足之处。

随着TensorFlow 2.0版本的开始变化——现在实现您自己的自定义损失要容易得多。

变得更容易的一种方法是通过自动微分和GradientTape实施。

要利用GradientTape，我们要做的就是实现我们的模型架构：

  # Define our model architecturemodel = tf.keras.Sequential([tf.keras.layers.Dropout(rate=0.2, input_shape=X.shape[1:]),tf.keras.layers.Dense(units=64, activation='relu'),tf.keras.layers.Dropout(rate=0.2),tf.keras.layers.Dense(units=1, activation='sigmoid')])

定义我们的损失函数和优化器：

  # Define loss and optimizerloss_func = tf.keras.losses.BinaryCrossentropy()optimizer = tf.keras.optimizers.Adam()

创建负责执行单个批处理更新的函数：

  def train_loop(features, labels):# Define the GradientTape contextwith tf.GradientTape() as tape:# Get the probabilitiespredictions = model(features)# Calculate the lossloss = loss_func(labels, predictions)# Get the gradientsgradients = tape.gradient(loss, model.trainable_variables)# Update the weightsoptimizer.apply_gradients(zip(gradients, model.trainable_variables))return loss

然后开始训练模型：

  # Train the modeldef train_model():start = time.time()for epoch in range(10):for step, (x, y) in enumerate(dataset):loss = train_loop(x, y)print('Epoch %d: last batch loss = %.4f' % (epoch, float(loss)))print("It took {} seconds".format(time.time() - start))# Initiate trainingtrain_model()

GradientTape为我们在后台处理差异化处理，使处理自定义损失和网络层变得容易得多。

说到自定义层和模型实现，一定要参考下一节。

TensorFlow 2.0中的模型和网络层子类化（Model and layer subclassing ）

TensorFlow 2.0和tf.keras为我们提供了三种单独的方法来实现我们自己的自定义模型：

1. Sequential

2. Function

3. Subclassing

Sequential和Function范式都已经在Keras中存在很长时间了，但是对于许多深度学习从业者来说，Subclassing功能仍然是未知的。

我将在下周针对这三种方法进行专门的教程，但是暂时，让我们看一下如何使用（1）TensorFlow 2.0，（2）tf基于开创性的LeNet架构实现简单的CNN。keras，以及（3）模型subclassing 功能：

  class LeNet(tf.keras.Model):def __init__(self):super(LeNet, self).__init__()self.conv2d_1 = tf.keras.layers.Conv2D(filters=6,kernel_size=(3, 3), activation='relu',input_shape=(32,32,1))self.average_pool = tf.keras.layers.AveragePooling2D()self.conv2d_2 = tf.keras.layers.Conv2D(filters=16,kernel_size=(3, 3), activation='relu')self.flatten = tf.keras.layers.Flatten()self.fc_1 = tf.keras.layers.Dense(120, activation='relu')self.fc_2 = tf.keras.layers.Dense(84, activation='relu')self.out = tf.keras.layers.Dense(10, activation='softmax')def call(self, input):x = self.conv2d_1(input)x = self.average_pool(x)x = self.conv2d_2(x)x = self.average_pool(x)x = self.flatten(x)x = self.fc_2(self.fc_1(x))return self.out(x)lenet = LeNet()

注意LeNet类是Model的子类(subclass )。

LeNet的构造函数（即init）定义了模型内部的每个单独层。

然后，call方法将执行前向传递，使您可以根据需要自定义前向传递。

使用模型子类化(model subclassing )的好处是您的模型：

• 变得完全可定制(fully-customizable)。

• 使您能够实施和利用自己的自定义损失实现。

而且，由于您的体系结构继承了Model类，因此您仍然可以调用.fit（）、. compile（）和.evaluate（）之类的方法，从而维护易于使用（且熟悉）的Keras API。

如果您想了解有关LeNet的更多信息，可以参考下面这篇文章。

https://www.pyimagesearch.com/2016/08/01/lenet-convolutional-neural-network-in-python/

TensorFlow 2.0引入了更好的多GPU和分布式训练支持

TensorFlow 2.0和tf.keras通过其MirroredStrategy提供更好的多GPU和分布式训练。

https://www.tensorflow.org/guide/distributed_training#mirroredstrategy

引用TensorFlow 2.0文档：“ MirroredStrategy支持在一台机器上的多个GPU上的同步分布式训练”。

如果要使用多台计算机（每台计算机可能具有多个GPU），则应查看MultiWorkerMirroredStrategy。

https://www.tensorflow.org/guide/distributed_training#multiworkermirroredstrategy

或者，如果您使用Google的云服务器进行训练，请查看TPUStrategy。

https://www.tensorflow.org/guide/distributed_training#tpustrategy

不过，现在，假设您位于一台具有多个GPU的机器上，并且想要确保所有GPU都用于训练。

您可以先创建MirroredStrategy来完成此操作：

  strategy = tf.distribute.MirroredStrategy()print ('Number of devices: {}'.format(strategy.num_replicas_in_sync))

然后，您需要声明您的模型架构，并在 strategy 范围内对其进行编译：

  # Call the distribution scope context managerwith strategy.scope():# Define a model to fit the above datamodel = tf.keras.Sequential([tf.keras.layers.Dropout(rate=0.2, input_shape=X.shape[1:]),tf.keras.layers.Dense(units=64, activation='relu'),tf.keras.layers.Dropout(rate=0.2),tf.keras.layers.Dense(units=1, activation='sigmoid')])# Compile the modelmodel.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])

从那里，您可以调用.fit训练模型：

  # Train the modelmodel.fit(X, y, epochs=5)

如果您的机器具有多个GPU，TensorFlow将为您处理多GPU训练。

TensorFlow 2.0是一个生态系统，包括TF 2.0，TF Lite，TFX，量化（quantization）和部署（deployment）

TensorFlow 2.0不仅仅是一个计算引擎和一个用于训练神经网络的深度学习库，它还具有更多功能。

借助TensorFlow Lite（TF Lite），我们可以训练，优化和量化旨在在资源受限的设备上运行的模型，例如智能手机和其他嵌入式设备（例如Raspberry Pi，Google Coral等）。

https://www.tensorflow.org/lite/

或者，如果您需要将模型部署到生产环境，则可以使用TensorFlow Extended（TFX），这是用于模型部署的端到端平台。

研究和实验完成后，您可以利用TFX为生产准备模型，并使用Google的生态系统扩展模型。

借助TensorFlow 2.0，我们真正开始看到在研究，实验，模型准备/量化和部署到生产之间更好，更高效的桥梁。

我对TensorFlow 2.0的发布及其对深度学习社区的影响感到非常兴奋。

Credits

本文中的所有代码示例均来自TensorFlow 2.0的官方示例。有关更多详细信息，请确保参考Francois Chollet提供的完整代码示例。

https://www.tensorflow.org/tutorials

https://colab.research.google.com/drive/17u-pRZJnKN0gO5XZmq8n5A2bKGrfKEUg

此外，一定要查阅Sayak Paul的TensorFlow 2.0的十个重要更新，这有助于启发今天的博客文章。

https://www.datacamp.com/community/tutorials/ten-important-updates-tensorflow

总结

在本教程中，您了解了Keras，tf.keras和TensorFlow 2.0。

首先重要的一点是，使用keras软件包的深度学习从业人员应该开始在TensorFlow 2.0中使用tf.keras。

您不仅会享受TensorFlow 2.0的更快的速度和优化，而且还将获得新的功能更新-keras软件包的最新版本（v2.3.0）将成为支持多个后端和功能更新的最新版本。展望未来，keras软件包将仅收到错误修复。

您应该在未来的项目中认真考虑迁移到tf.keras和TensorFlow 2.0。

第二个要点是TensorFlow 2.0不仅仅是GPU加速的深度学习库。

您不仅可以使用TensorFlow 2.0和tf.keras训练自己的模型，而且现在可以：

• 采取这些模型，并使用TensorFlow Lite（TF Lite）为移动/嵌入式部署做好准备。

• 使用TensorFlow Extended（TF Extended）将模型部署到生产中。

从我的角度来看，我已经开始将原始的keras代码移植到tf.keras。我建议您开始做同样的事情。

英文原文链接：

https://www.pyimagesearch.com/2019/10/21/keras-vs-tf-keras-whats-the-difference-in-tensorflow-2-0/

备注：公众号菜单包含了整理了一本AI小抄，非常适合在通勤路上用学习。

往期精彩回顾那些年做的学术公益-你不是一个人在战斗适合初学者入门人工智能的路线及资料下载机器学习在线手册深度学习在线手册AI基础下载（第一部分）备注：加入本站微信群或者qq群，请回复“加群”

加入知识星球（4500+用户，ID：92416895），请回复“知识星球”

喜欢文章，点个在看