tf.keras和tf.python.keras有什么区别?

我遇到了严重的不兼容性问题,因为相同的代码在一个代码与另一个代码之间却发生了冲突。例如:

  • 保存优化器

从Github的源代码来看,这些模块及其导入看起来相当相同,tf.keras甚至从中导入也是如此tf.python.keras。在教程中,我看到两者都经常使用。例如,下面的代码将失败tf.python.keras

这是怎么回事?有什么区别,什么时候应该使用其中一个?


from tensorflow.keras.layers import Input, Dense

from tensorflow.keras.models import Model

from tensorflow.keras.optimizers import Nadam

import numpy as np

ipt = Input(shape=(4,))

out = Dense(1, activation='sigmoid')(ipt)

model = Model(ipt, out)

model.compile(optimizer=Nadam(lr=1e-4), loss='binary_crossentropy')

X = np.random.randn(32,4)

Y = np.random.randint(0,2,(32,1))

model.train_on_batch(X,Y)


  • CUDA 10.0.130,cuDNN 7.4.2,Python 3.7.4,Windows 10
  • tensorflowtensorflow-gpuv2.0.0和Keras 2.3.0(通过pip),其他所有通过Anaconda 3

回答:

从官方的TensorFlow开发人员开始,缩短了(强调我的意思):

API导入位于软件包的根目录中。其他任何导入都只是Python,允许您访问私有程序而无需考虑良好的编码习惯。

进口的唯一方法是

import tensorflow as tf

tf.keras

我们也提供的支持from tensorflow.keras import,尽管它很脆弱,并且在我们继续重构时可能会中断。

(包括import tensorflow_core

我: 可以肯定的tf.python.keras是, 是为了发展,而不是供 使用?

是的,确实如此。一切tf.python都是私人的


但是,这还不是全部。tf.python仍然是访问某些函数/类的唯一方法-

例如tf.python.frameworktf.python.ops,都在中使用tf.keras.optimizers。但是如上所述,除非您正在“开发”(即编写自定义功能或类),否则这不会成为问题。“开箱即用”用法应该很好,永远不要碰tf.python

请注意,这不仅是兼容性问题,而且“只要没有任何问题”,两者就 不能

互换。例如,tf.keras使用optimizer_v2,它与tf.python.keras

Optimizer实质上不同。

最后,请注意,以上两个链接都以tf.python.keras-不确定而结束,但似乎tf.keras在TF

Github中实际上并不存在(例如,无引用OptimizerV2),但是在本地安装时,它 确实

与TF合并在tensorflow_core/python/keras/api/_v2文件夹中:

from tensorflow import keras

print(keras.__file__)

from tensorflow.python import keras

print(keras.__file__)

D:\Anaconda\lib\site-packages\tensorflow_core\python\keras\api\_v2\keras\__init__.py

D:\Anaconda\lib\site-packages\tensorflow_core\python\keras\__init__.py

虽然两个共享python/文件夹,他们 tf.python-可以从它们各自的验证__init__.py


tf.python.keras.optimizerstf.python.keras.layersvs一起tf.keras.optimizers使用,对于中型模型(代码),tf.keras.layers运行

要 。我继续在用户代码中看到前者-将其视为警告提示。

以上是 tf.keras和tf.python.keras有什么区别? 的全部内容, 来源链接: utcz.com/qa/415516.html

回到顶部