¿Keras es mejor que Tensorflow para el aprendizaje profundo?

Los marcos de Deep Learning operan en 2 niveles de abstracción:

Nivel inferior: aquí es donde se encuentran los marcos como Tensorflow, MXNet, Theano y PyTorch. Este es el nivel donde se implementan operaciones matemáticas como la multiplicación matriz-matriz generalizada y las primitivas de redes neuronales como las operaciones convolucionales.
Nivel superior: aquí es donde se sientan los marcos como Keras. En este nivel, las primitivas de nivel inferior se utilizan para implementar la abstracción de la red neuronal como capas y modelos. En general, en este nivel también se implementan otras API útiles, como el guardado de modelos y la capacitación de modelos.

No puede comparar Keras y Tensorflow porque se encuentran en diferentes niveles de abstracción. También quiero aprovechar esta oportunidad para compartir mi experiencia de usar Keras:

No estoy de acuerdo con que Keras solo sea útil para el trabajo básico de Deep Learning . Keras es una API bellamente escrita. La naturaleza funcional de la API lo ayuda completamente y se sale de su camino para aplicaciones más exóticas. Keras no bloquea el acceso a marcos de nivel inferior.
Keras da como resultado un código mucho más legible y conciso.
Las API de serialización / deserialización del modelo Keras, las devoluciones de llamada y la transmisión de datos con generadores Python son muy maduras.
Keras ha sido declarado la abstracción oficial de alto nivel para Tensorflow.

También me gustaría señalar que en estos días he estado probando PyTorch. No porque Keras sea limitante, sino que el gráfico dinámico de PyTorch hace que sea realmente fácil manejar secuencias de longitud variable.

Deep LearningKerasMachine LearningTensorFlow

¿Cuáles son algunas buenas bibliotecas de Deep Learning donde puedo usar una Red de creencias profundas con clasificadores como SVM gaussiano?

¿Cuál es la mejor herramienta de aprendizaje automático para Mac OS?

¿Cuál es la diferencia entre un clasificador Naive Bayes y AODE?

¿Cuáles son los mejores algoritmos para construir sistemas de recomendación?

¿Cuáles son los pasos básicos del procesamiento de texto en el procesamiento del lenguaje natural para la similitud de texto?

¿Es Acer una buena computadora portátil para ‘trabajo pesado’?

Estoy de acuerdo con Abhai Kollara; La comparación es bastante injusta.

Personalmente, si realmente tuviera que comparar ambos, diría que Keras es más fácil para los novatos familiarizarse con el aprendizaje profundo de una manera práctica; Como se ha mencionado en otras respuestas, es muy fácil comenzar y no necesita preocuparse demasiado.

Si desea comenzar con Keras, le recomiendo los siguientes recursos:

Documentación de Keras, Aprendizaje profundo con Python (¡escrito por el propio François Chollet!)
Aprendizaje profundo en Python, Keras Cheat Sheet: Redes neuronales en Python, Tutorial de Keras: Aprendizaje profundo en Python, keras: Aprendizaje profundo en R, Una guía completa para afinar los modelos de Aprendizaje profundo en Keras (Parte I)

Karlijn Willems

Permítanme comenzar diciendo que la comparación es bastante injusta. Keras es un contenedor sobre sus bibliotecas de back-end que pueden ser Theano, Tensorflow o CNTK, lo que significa que si está usando Keras con TF back-end, esencialmente está ejecutando código TF.

Habiendo dicho eso, prefiero Keras sobre Tensorflow. Cuando se trata de facilitar la codificación, Keras gana sin dudas. Cuida muchos detalles para usted, lo que hace que la API sea mucho más intuitiva. Vea los ejemplos de clasificación MNIST usando Keras y Tensorflow. Le resultará muy fácil entender lo que está sucediendo en el ejemplo de Keras.

Ahora, incluso si quisiera TF como control sobre mi código, podría hacer uso de la función de capas personalizadas o la capa Lambda junto con la API funcional para lograrlo, por lo que Keras sigue siendo casi tan poderoso como TF.

Y si está ejecutando Keras con TF back-end, entonces la eficiencia sigue siendo la misma. Entonces sí, diría que Keras es mejor. Pero como dije al principio, la comparación no es justa.

Fujiatma Napitupulu

Realmente no hay una comparación, Keras es una capa de abstracción que utiliza otras bibliotecas subyacentes de aprendizaje profundo para trabajar, mientras que Tensorflow es una de esas bibliotecas que utiliza. Además, tensorflow realmente incluye Keras ahora como una capa de abstracción de forma predeterminada.

Si aún desea una respuesta, para definir nuevos tipos de cálculo como un nuevo tipo de capa o fórmula, el flujo de tensor es mejor; de lo contrario, si no desea reinventar la rueda, Keras es mejor. PERO, solo para aprender, debe estar expuesto a la computación subyacente, así que use primero el tensorflow.

Karlijn Willems

Depende. Si solo quieres probar el aprendizaje profundo, entonces Keras es bueno, ya que es muy fácil de leer y escribir. TensorFlow es más adecuado que Keras cuando va a probar su algoritmo original. TensorFlow es adecuado para escribir su propia función, mientras que Keras es para crear capas de redes neuronales.

Karlijn Willems

Creo que sí. Es mucho más fácil desarrollar modelos con Keras que con Tensorflow puro. Y cuando Keras no puede proporcionar la flexibilidad necesaria, puede combinar Keras con código puro de Tensorflow.

Por cierto, Keras probablemente se convertirá en una parte principal de la API TF de alto nivel.

La razón principal para usar TF en lugar de Keras es el diseño de modelos completamente novedosos.

Abhai Kollara

comprobar tf.keras

Módulo: tf.keras | TensorFlow

Abhai Kollara

Es súper intuitivo y fácil de aprender.

Amo los keras.

¿Pero es mejor?

Esa es una buena pregunta de hecho 🙂

Shibui Yusuke

No. Sin embargo, cómo Deep RL, hay muchas muestras de Keras.