Keras：TensorFlow 的高级 API

TensorFlow 使用 tf.GradientTape 为张量操作和自动微分提供了强大的工具。虽然可以直接使用这些基本操作构建复杂的模型，但手动跟踪变量、梯度和计算图会变得非常复杂且容易出错，尤其对于深度网络来说。

这就是 Keras 的作用所在。Keras 是一个用于构建和训练神经网络 (neural network)的高级 API，它与 TensorFlow 2.x 紧密结合。可以将 Keras 视为一个用户友好的界面，它位于 TensorFlow 核心功能之上。与直接使用底层 TensorFlow 操作相比，它让你能以少得多的代码和更低的思维负担来定义、训练和评估模型。

为什么要用 Keras？

Keras 的主要目标是让深度学习 (deep learning)的开发更快速、更简单。它通过以下几个设计原则做到了这一点：

1. 用户友好性： Keras API 设计直观且一致。常见的神经网络 (neural network)组件，如层、激活函数 (activation function)、优化器和损失函数 (loss function)，都作为预构建、可配置的模块随时可用。这减少了你需要编写的样板代码量。
2. 模块化： Keras 模型通常通过连接可配置的构建块（如层）来构建。这些组件可以轻松组合和复用，促进了有条理的模型开发。
3. 可扩展性： 尽管 Keras 提供了许多标准组件，它也让创建用于研究或特殊应用的自定义层、损失函数和指标变得简单。我们将在本章稍后部分提到这一点。
4. 紧密的 TensorFlow 集成： 由于 Keras 是 TensorFlow 官方的高级 API，它能与其他 TensorFlow 功能（如用于高效数据管道的 tf.data 和用于图优化的 tf.function）很好地配合使用。在需要时，你可以轻松地将 Keras 组件与底层 TensorFlow 代码混合使用。

Keras：不仅仅是一个封装层

理解这一点很重要：Keras 不仅仅是 TensorFlow 的一个封装层；对于大多数用户而言，它就是在 TensorFlow 中构建模型的标准方式。当你使用 tensorflow.keras 时，你就是在使用 TensorFlow。Keras 提供了抽象（如 Layer、Model、Sequential），这些抽象将你的模型定义转换为底层的 TensorFlow 计算图和操作。

可以这样看待它们的关系：

Keras 在 TensorFlow 的核心操作之上提供了一个高级抽象层，简化了模型开发。

通过使用 Keras，你可以充分发挥 TensorFlow 的性能优化（如通过 tf.function 进行图执行）和硬件加速能力（CPU、GPU、TPU），在大多数情况下无需直接管理这些细节。

在接下来的部分中，我们将了解 Keras 定义模型的主要方式：即用于简单线性层堆叠的 Sequential API，以及用于构建具有多个输入、输出或共享层的更复杂架构的 Functional API。