tf.keras.layers与tf.layers有什么区别?例如。他们两个都有Conv2d,它们提供不同的输出吗?如果将它们混合使用,会有什么好处(在一个隐藏层中是tf.keras.layers.Conv2d,在下一个隐藏层中是tf.layers.max_pooling2d)?
由于TensorFlow 1.12,tf.layers
只是tf.keras.layers
的包装器。
一些示例:
卷积tf.layers
只是从卷积tf.keras.layers
继承,请参见源代码here:
@tf_export('layers.Conv2D')
class Conv2D(keras_layers.Conv2D, base.Layer):
[[0]都适用,例如:
core tf.layers
通过将Keras集成到TensorFlow中,维护几种不同的层实现几乎没有意义。 tf.layers
正在成为TensorFlow的事实上的高级API,因此@tf_export('layers.Dense')
class Dense(keras_layers.Dense, base.Layer):
现在只是tf.keras
的包装。
[tf.layers
是张量流角膜层,而tf.keras.layers
是张量流“本征层”
您不能直接在Keras模型中使用本机层,因为它将缺少Keras API所需的某些属性。
但是,如果包裹在张量流-keras tf.keras.layers.Conv2d
层中,则可以使用本机层。指向此文档的链接如下。
tf.layers.max_pooling2d
Lambda
模块是Tensorflow尝试创建类似Keras的API,而https://www.tensorflow.org/api_docs/python/tf/keras/layers/Lambda是兼容性包装器。实际上,大多数实现都引用回tf.layers
,例如tf.keras.layers
继承了tf.layers
:
tf.keras.layers.Dense
由于core implementation兼容性模块已单独检入Tensorflow存储库中,因此可能缺少Keras实际提供的功能。我会直接使用Keras或@tf_export('keras.layers.Dense')
class Dense(tf_core_layers.Dense, Layer):
# ...
,但不一定要混合使用。