tf.keras.layers和tf.layers的区别是什么？

Question

tf.keras.layers和tf.layers的区别是什么？

它们都有Conv2d，它们提供不同的输出吗？

如果将它们混合(类似于一个隐藏层中的tf.keras.layers.Conv2d，在下一个隐藏层中使用tf.layers.max_pooling2d)，会有什么好处吗？

Answer 1

自从TensorFlow 1.12以来，tf.layers仅仅是tf.keras.layers的包装器。

有几个例子：

卷积tf.layers只是继承了卷积tf.keras.layers，请参阅源代码这里。

@tf_export('layers.Conv2D')
class Conv2D(keras_layers.Conv2D, base.Layer):

所有tf.layers也是如此，例如：

@tf_export('layers.Dense')
class Dense(keras_layers.Dense, base.Layer):

通过将Keras集成到TensorFlow中，维护几个不同的层实现是没有意义的。tf.keras正在成为TensorFlow事实上的高级API，因此tf.layers现在只是tf.keras.layers的包装器。

Answer 2

tf.keras.layers.Conv2d是tensorflow-keras层，而tf.layers.max_pooling2d是tensorflow‘本地层’。

您不能在Keras模型中直接使用本机层，因为它将丢失Keras所需的某些属性。

但是，如果将本机层封装在tensorflow-keras Lambda层中，则可以使用本机层。下面链接到这方面的文档。

docs/python/tf/keras/层/Lambda

Answer 3

tf.layers模块是Tensorflow尝试创建类似API的Keras，而tf.keras.layers是一个兼容性包装器。实际上，大多数实现都引用tf.layers，例如，tf.keras.layers.Dense继承了核心实施

@tf_export('keras.layers.Dense')
class Dense(tf_core_layers.Dense, Layer):
  # ...

因为tf.keras兼容性模块是单独签入Tensorflow回购的，所以它可能缺少Keras实际提供的内容。我会直接使用Keras或tf.layers，但不一定要混合它们。