- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器之心
TensorFlow 2.0中的tf.keras和Keras有何区别？为什么以后一定要用tf.keras？
TensorFlow 中的 tf.keras 和 Keras 有什么区别？我该用哪一个训练神经网络？在本文中，作者给出的答案是：你应该在以后所有的深度学习项目和实验中都使用 tf.keras。 Keras vs tf.keras：在 TensorFlow 2.0 中它们的区别是什么？ 然后，我将说明为什么你应该在以后所有的深度学习项目和实验中都使用 tf.keras。 但是，对于 Keras 用户来说，读完这一部分需要了解到，你应该在未来的项目中开始使用 TensorFlow 2.0 和 tf.keras 了。 在未来的项目中开始使用 tf.keras ? 现在 TensorFlow 2.0 已发布，keras 和 tf.keras 已经处于同步状态，这意味着尽管 keras 和 tf.keras 仍是独立的两个项目，但是开发人员应该开始使用 tf.keras
10.6K30发布于 2019-12-11 - 来自专栏拓端tecdat
Python安装TensorFlow 2、tf.keras和深度学习模型的定义
完成本教程后，您将知道： Keras和tf.keras之间的区别以及如何安装和确认TensorFlow是否有效。 tf.keras模型的5个步骤的生命周期以及如何使用顺序和功能性API。 如何使用tf.keras开发MLP，CNN和RNN模型以进行回归，分类和时间序列预测。 如何使用tf.keras API的高级功能来检查和诊断模型。 他们是： 安装TensorFlow和tf.keras 什么是Keras和tf.keras？ 1.安装TensorFlow和tf.keras 在本节中，您将发现什么是tf.keras，如何安装以及如何确认它已正确安装。 1.1什么是Keras和tf.keras？ tf.keras。Keras API已集成到TensorFlow 2。 Keras中的Keras API实现被称为“ tf.keras ”，因为这是引用API时使用的Python习惯用法。
2.1K30发布于 2020-10-23 - 来自专栏磐创AI技术团队的专栏
一文上手Tensorflow2.0之tf.keras｜三
常见基本概念 从1.x 到2.0 的变化 Tensorflow2.0 的架构 Tensorflow2.0 的安装(CPU和GPU) Tensorflow2.0 使用 “tf.data” API “tf.keras ”API 使用GPU加速 安装配置GPU环境 使用Tensorflow-GPU 3 TensorFlow2.0使用 3.2 “tf.keras”API Keras是一个基于Python编写的高层神经网络 “tf.keras”不强调原来Keras的后端可互换性，而是在符合Keras标准的基础上让其与TensorFlow结合的更紧密（例如支持TensorFlow的eager execution模式，支持“tf.data “tf.keras”提高了TensorFlow的易用性，同时也保持了TensorFlow的灵活性和性能。 1. 模型的保存和恢复 我们可以使用“model.save()”和“tf.keras.models.load_model()”来保存和加载由“tf.keras”训练的模型： # 创建一个简单的模型 model
2K21发布于 2019-08-23 - 来自专栏拓端tecdat
Python安装TensorFlow 2、tf.keras和深度学习模型的定义
完成本教程后，您将知道： Keras和tf.keras之间的区别以及如何安装和确认TensorFlow是否有效。 tf.keras模型的5个步骤的生命周期以及如何使用顺序和功能性API。 如何使用tf.keras开发MLP，CNN和RNN模型以进行回归，分类和时间序列预测。 如何使用tf.keras API的高级功能来检查和诊断模型。 他们是： 安装TensorFlow和tf.keras 什么是Keras和tf.keras？ 1.安装TensorFlow和tf.keras 在本节中，您将发现什么是tf.keras，如何安装以及如何确认它已正确安装。 1.1什么是Keras和tf.keras？ tf.keras。Keras API已集成到TensorFlow 2。 Keras中的Keras API实现被称为“ tf.keras ”，因为这是引用API时使用的Python习惯用法。
2.3K30发布于 2020-11-03 - 来自专栏机器学习与统计学
TensorFlow2.0（11）：tf.keras建模三部曲
是一个基于Python编写的高层神经网络API，凭借用户友好性、模块化以及易扩展等有点大受好评，考虑到Keras的优良特性以及它的受欢迎程度，TensorFlow2.0中将Keras的代码吸收了进来，化身为tf.keras 使用tf.keras提供的高层API，可以轻松得完成建模三部曲——模型构建、训练、评估等工作。下面我们分别来说说如何使用tf.keras完成这三部曲。 1 模型构建 我们知道，神经网络模型就是层的堆叠，tf.keras提供的Sequential类对象就是层容器，可以轻松实现对层的堆叠，创建网络模型。 'relu'), layers.Dense(64, activation='relu'), layers.Dense(10, activation='softmax')] ) 你看，用tf.keras tf.keras中提供了fit()方法对模型进行训练，先来看看fit()方法的主要参数： x和y：训练数据和目标数据 epochs：训练周期数，每一个周期都是对训练数据集的一次完整迭代 batch_size
1K10发布于 2019-12-27 - 来自专栏我爱计算机视觉
CV+NLP，使用tf.Keras构建图像搜索引擎
今天跟大家推荐一个刚刚开源的使用tf.Keras深度学习技术构建图像搜索引擎的开源项目，对于了解基于文本查询和基于图像查询的图像搜索都很有价值。
63210发布于 2019-12-29 - 来自专栏AI算法与图像处理
Keras vs tf.keras: 在TensorFlow 2.0中有什么区别?
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。 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。 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 ? 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 您可以利用TensorFlow 2.0和tf.keras的Eager execution和Sessions 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
3.3K30发布于 2019-10-31 tf.data读取tf.record文件并与tf.keras结合使用
import matplotlib as mpl import matplotlib.pyplot as plt import numpy as np import sklearn import pandas as pd import os import sys import time import tensorflow as tf from tensorflow import keras
12400编辑于 2025-07-18- 来自专栏源懒由码
深度学习笔记（一） tf.keras 构建lstm神经网络进行时间序列预测
目的：学会使用tf.keras构建lstm神经网络进行一个基本的时间序列数据预测（入门版），基于官方案例-预测天气数据进行学习。
4K31发布于 2021-03-09 - 来自专栏JAVA
处理Keras中的`Unknown layer`错误
优化代码和配置 3.1 使用tf.keras API 原因：TensorFlow的Keras API与独立的Keras库可能存在兼容性问题。 解决方案：使用tf.keras API进行模型保存和加载。 Q2：使用tf.keras和Keras有什么区别？ A2：tf.keras是TensorFlow中的高级API，与独立的Keras库相比，具有更好的兼容性和集成性。 小结 在这篇文章中，我们详细探讨了Keras中的Unknown layer错误的成因，并提供了多种解决方案，包括注册自定义层、确保代码一致性、使用tf.keras API等。
1.5K10编辑于 2024-11-22 - 来自专栏机器之心
Kaggle竞赛硬件如何选择？不差钱、追求速度，那就上TPU吧
本文分别比较了在训练由 tf.keras 编写的机器学习模型过程中，使用 CPU（英特尔至强处理器）、GPU（英伟达 Tesla P100 显卡）和 TPU（谷歌 TPU v3）的优劣势。 官网链接：https://www.kaggle.com/docs/tpu 硬件性能如何 这三种硬件之间最明显的区别在于使用 tf.keras 训练模型的速度。 tf.keras 库是最流行的机器学习框架之一，因为 tf.keras 可以更快、更方便地实验新想法。如果写代码的时间短，则就可以拨出更多时间进行计算。 在机器学习比赛中，tf.keras 和 TPU 是一对很强大的组合！ ? 图 2：tf.keras 概貌。 (A)tf.keras 是最流行的实现深度学习模型的框架之一；(B) 在设计深度学习模型时，tf.keras 可以快速进行实验和迭代。
2.3K20发布于 2020-03-11 - 来自专栏AI科技大本营的专栏
Keras还是TensorFlow？深度学习框架选型实操分享
▌Keras 通过 tf.keras 模块构建到 TensorFlow 中 可以看到，我们通过引入 TensorFlow (tf) 并调用 tf.keras，在 Python shell 中展示了 tf.keras 中的 Keras 允许我们使用标准的 Keras 包获取下面这样简单的前馈神经网络： 接下来基于 TensorFlow 的一部分 —— tf.keras 子模块，来实现同样的网络： 然而这是否意味着你必须使用 tf.keras？ ▌用 Tensorflow 和 tf.keras 训练一个神经网络模型 使用 tf.keras (内置于 TensorFlow 中的模块) 构建的 MiniVGGNet CNN 架构与我们直接使用 Keras 然后，打开一个终端并执行以下命令就可以使用 tensorflow + tf.keras 训练一个神经网络模型： 训练完成后，你可以得到如上类似的训练结果图： 用 Tensorflow + tf.keras
2.2K30发布于 2018-10-22 - 来自专栏大龄程序员的人工智能之路
[译]标准化Keras：TensorFlow 2.0中的高级API指南
使用tf.keras模型子类API时，eager execution特别有用。此API的灵感来自Chainer，使您能够强制性地编写模型的正向传递。 tf.keras紧密集成在TensorFlow生态系统中，还包括对以下支持： tf.data，使您能够构建高性能输入管道。 我该如何安装tf.keras？我还需要通过pip安装Keras吗？ tf.keras包含在TensorFlow中。您无需单独安装Keras。例如，如果在Colab Notebook中运行： ! 完全忽略tf.keras，使用低级TensorFlow API，Python和AutoGraph来达到你的目标。 这完全取决于您！ 也就是说，如果您正在开发自定义架构，我们建议使用tf.keras来构建模型而不是Estimator。
2.3K30发布于 2019-07-02 - 来自专栏AI科技大本营的专栏
TensorFlow 2.0发布在即，高级API变化抢先看
tf.keras 与 TensorFlow 的生态系统紧密结合，可以支持： tf.data 用于构建高性能的输入流。 如何安装 tf.keras？我是否需要先通过 pip 安装 Keras ？ 因为 tf.keras 是包含在 TensorFlow 内的，所以，大家不用单独安装 Keras。 如果在 Colab 中你可以直接运行下面的代码： 然后你就可以使用 tf.keras 了。如果你是安装新手，可以通过近期教程中的一些例子来检查是否导入成功。 如果你发现 tf.keras 限制了你的应用领域，你还有其他选择： 使用独立于 Keras 模型定义的 tf.keras 神经层，并编写自己的梯度和训练代码。 也就是说，如果你正在开发自定义体系结构，那我们建议使用 tf.keras 来构建模型而不是Estimator。
1.3K10发布于 2018-12-26 - 来自专栏前沿技墅
一文读懂TensorFlow 2.0高阶API
本文以官方推荐的唯一高阶API库tf.keras为主，概括地介绍TensorFlow 2.0的高阶API。 tf.keras高阶API概览 在TensorFlow 2.0版本中完全移除了tf.contrib这个高阶API库，官方推荐的高阶API只有tf.keras。 下面我们看看官方文档中提到的tf.keras下的接口模块。 activations：tf.keras.actibations中包含了当前主流的激活函数，可以直接通过该API进行激活函数的调用。 tf.keras高阶API编程 为节省篇幅，本文不再结合实践案例详细讲解主要高阶API的使用，而是以构建一个线性回归模型为例介绍TensorFlow 2.0高阶API的使用。 1. 使用tf.keras高阶API训练神经网络模型 在完成神经网络模型的构建和编译之后，需要准备训练数据，然后对神经网络模型进行训练。
1.6K30发布于 2019-11-19 - 来自专栏机器之心
TensorFlow2.1正式版上线：最后一次支持Python2，进一步支持TPU
同时，本次更新的重点是增加了对 TPU 的多项支持，而 tf.keras 和 tf.data 这两个常用的 API 也得到了很多新的更新。 从 tf.keras、tf.data 等 API 的功能调整和更新来看，现在使用 TPU 加载数据集、训练和模型推理会更方便一些。 tf.keras 对 TPU 的支持 增加了在 GPU 和 Cloud TPUs 上对混合精度（mix precision）的支持； tf.Keras 中的 compile、fit、evaluate、predict 重要 API 更新 TensorFlow 2.1 进行了以下一些重要的 API 更新： tf.keras 推出了 TextVectorization 层，该层将原始字符串作为输入，并兼顾到了文本规范化、 tf.keras 导出 tf.keras.backend 中的 depthwise_conv2d； 在 Keras Layers 和 Models 中，删除 trainable_weights、non_trainable_weights
1.4K30发布于 2020-02-12 - 来自专栏AI研习社
手把手教程：如何从零开始训练 TF 模型并在安卓系统上运行
本教程介绍如何使用 tf.Keras 时序 API 从头开始训练模型，将 tf.Keras 模型转换为 tflite 格式，并在 Android 上运行该模型。 本教程着重于端到端的体验，我不会深入探讨各种 tf.Keras API 或 Android 开发。 下载我的示例代码并执行以下操作： 在 colab 中运行：使用 tf.keras 的训练模型，并将 keras 模型转换为 tflite（链接到 Colab notebook）。 1.训练自定义分类器 加载数据 我们将使用作为tf.keras框架一部分的mnst数据。 aaptOptions { noCompress "tflite" } 总体来说，用 tf.Keras 训练一个简单的图像分类器是轻而易举的，保存 Keras 模型并将其转换为
2.8K20发布于 2019-10-22 - 来自专栏AI研习社
基于 Tensorflow eager 的文本生成，注意力，图像注释的完整代码
for Machine Translation with Attention, Image Captioning, Text Generation, and DCGAN implemented with tf.keras （图像注释） 在暑期实习期间，我使用TensorFlow的两个最新API开发了这些示例：tf.keras，以及eager function，我在下面分享了它们。我希望你发现它们有用，有趣。 tf.keras是一个定义模型的高级API，就像积木建造的乐高一样。我使用模型子类化实现了这些示例，它允许通过子类化tf.keras.Model并定义自己的前向传递来制作完全可自定义的模型。 使用tf.keras模型子类API定义模型。 使用eager function训练模型。 演示如何使用训练模型。 如果您想了解更多关于使用Keras或tf.keras实现RNN的信息，我们推荐由Francois Chollet提供的笔记。
1.2K20发布于 2018-09-25 - 来自专栏机器之心
Keras，亡于谷歌？
tf.keras 是在 TensorFlow v1.10.0 中引入的，这是将 keras 直接集成到 TensorFlow 包中的第一步。 tf.keras 软件包与你通过 pip 安装的 keras 软件包（即 pip install keras）是分开的。 最重要的是，所有深度学习从业人员都应将其代码转换成 TensorFlow 2.0 和 tf.keras 软件包。 原始的 keras 软件包仍会接收 bug 并修复，但请向前看，你应该开始使用 tf.keras 了。 比如在 TF 2.0 版本中，除了「TF2.0」 这个关键字，你还要弄清楚：这个文档是关于 TF2.0 本身的，还是关于 tf.keras 的。 悼念？
87710编辑于 2023-03-29 - 来自专栏素质云笔记
keras系列︱keras是如何指定显卡且限制显存用量（GPU/CPU使用）
---- 六 tf.keras使用多GPU DistributionStrategy API是构建多设备/机器训练的简单方式，开发者只需要在现有模型上做少量的修改，就可以用它们进行分布式训练。 参考：TensorFlow 1.11.0发布，一键多GPU（训练、预测和评价tf.keras模型） 目前TensorFlow支持三种DistributionStrategy： MirroredStrategy CollectiveAllReduceStrategy ParameterServerStrategy 在tf.keras中直接使用DistributionStrategy 最新的TensorFlow Github中给出了在tf.keras中直接使用DistributionStrategy的例子。 用tf.keras构建一个单层网络： inputs = tf.keras.layers.Input(shape=(1,)) predictions = tf.keras.layers.Dense(1)(
4.2K30发布于 2019-05-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号