¿Cuál es la forma recomendada (o más preparada para el futuro) de usar Keras?
¿Cuáles son las ventajas/desventajas de cada uno?
Supongo que hay más diferencias que simplemente guardar un paso de pip install y escribir tensorflow.python.keras en lugar de keras .
tensorflow.python.keras es solo un paquete de keras con un solo backend dentro del paquete tensorflow . Esto le permite comenzar a usar keras instalando solo pip install tensorflow .
El paquete keras contiene una biblioteca keras completa con tres backends compatibles: tensorflow, theano y CNTK. Si incluso desea cambiar entre backends, debe elegir el paquete keras . Este enfoque también es más flexible porque permite instalar actualizaciones de keras independientemente de tensorflow (que puede no ser fácil de actualizar, por ejemplo, porque la próxima versión puede requerir una versión diferente del controlador CUDA) o viceversa. Por esta razón, prefiero instalar keras como otro paquete.
En términos de API, no hay diferencia en este momento, pero keras probablemente se integrará más estrechamente en tensorflow en el futuro. Por lo tanto, existe la posibilidad de que haya funciones solo de tensorflow en keras, pero incluso en este caso no es un bloqueador para usar el paquete keras .
ACTUALIZAR
A partir del lanzamiento de Keras 2.3.0, Francois Chollet anunció que los usuarios deberían cambiar a tf.keras en lugar de Keras simple. Por lo tanto, todos los usuarios deben realizar el cambio a tf.keras en lugar de keras .
Pequeña actualización de 2019-10:
Con el lanzamiento de la versión 2.3.0 , el equipo de Keras anunció lo siguiente:
Este es también el último lanzamiento importante de Keras multi-backend. En el futuro, recomendamos que los usuarios consideren cambiar su código Keras a tf.keras en TensorFlow 2.0. Implementa la misma API de Keras 2.3.0 (por lo que el cambio debería ser tan fácil como cambiar las instrucciones de importación de Keras), pero tiene muchas ventajas para los usuarios de TensorFlow, como la compatibilidad con la ejecución entusiasta, la distribución, la capacitación de TPU y, en general, una integración mucho mejor. entre TensorFlow de bajo nivel y conceptos de alto nivel como Capa y Modelo. También está mejor mantenido.
El desarrollo se centrará en tf.keras en el futuro. Seguiremos manteniendo Keras multi-backend durante los próximos 6 meses, pero solo fusionaremos las correcciones de errores. Los cambios de API no se transferirán.
Entonces, por ahora, tf.keras parece ser el camino a seguir.