深圳h5网站建设,设计类招聘网站,wordpress的首页文件夹,龙华网站公司多年以前，在TensorFlow中搭建深度学习模型对于很多人来说其实仍然是比较困难的。相比之下，Keras作为独立于TensorFlow的一种深度学习框架则要简单很多。在TensorFlow与PyTorch的竞争中逐渐式微的情况下，TensorFlow团队终于宣布Keras将成为在tensorflow2.0中构建和训练模型的…多年以前，在TensorFlow中搭建深度学习模型对于很多人来说其实仍然是比较困难的。相比之下，Keras作为独立于TensorFlow的一种深度学习框架则要简单很多。在TensorFlow与PyTorch的竞争中逐渐式微的情况下，TensorFlow团队终于宣布Keras将成为在tensorflow2.0中构建和训练模型的核心高级API。在把Keras完全集成到TensorFlow中后，使得深度学习模型的构建难度大幅下降了。
早先在Keras中构建深度学习模型时主要依赖于两种方法，即： 使用Sequential API （参考【1】） 使用Functional API（参考【2】） 这两种方法也是笔者在数年前所写的系列博客文章中介绍的方法。但在Keras被集成到TensorFlow里后，因为谷歌计划把它打造成在tensorflow2.0中构建和训练模型的核心高级API，所以Keras也有了很大的发展。而在模型构建的方法上，最重要的变化就是引入了第三种方法： 模型子类化 而且如果你比较熟悉PyTorch的话，不难发现，模型子类化这种方法其实跟在PyTorch里面构建模型的方法几乎是如出一辙的。所以，现在Keras里面构建模型的方法就变成了三种，如下图所示。 模型子类化是为需要完全控制“模型、层定义和训练过程”的高级开发人员设计的。你需要创建一个定义模型的自定义类，而且你可能不需要它来执行日常任务。但是，如果你是一个有实验需求的研究人员
