Keras后端(tensorflow)与Keras

Question

我想自定义一个Keras损失函数，但我真的不了解一些东西。

如果我使用tensorflow作为Keras的后端，我需要使用keras.backend中的函数还是可以直接使用tensorflow中的函数。

我只看到人们使用来自keras.backend的函数的帖子，而不是来自tensorflow的函数(即使tensorflow有更多的函数)。有没有理由这样做呢？

举个玩具的例子：

from keras import backend as K 
import tensorflow as tf

def loss_keras(y_true, y_pred):

    square_error = K.square(y_pred - y_true)
    loss = K.mean(square_error)

    return loss

def loss_tf(y_true, y_pred):

    square_error = tf.squared_difference(y_pred, y_true)
    loss = tf.reduce_mean(square_error)

    return loss

这两个函数都工作得很好，但一个是直接使用tensorflow，另一个是使用keras.backend函数。

我知道这是一个愚蠢的例子，但是当您想做更复杂的事情时，我认为使用tensorflow会比使用keras函数更容易，因为有更多可用的函数

Answer 1

正如评论中指出的，并在this answer中指出“在以下情况下，使用Keras后端函数(即keras.backend.*)是必要的: 1)需要对传递给Tensorflow或Theano后端的实际函数的参数进行预处理或扩充，或者需要对返回的结果进行后处理，或者2)你想要编写一个可以在所有Keras支持的后端运行的模型。”