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。:
在Github source中,模块及其导入看起来相当相同,并且
tf.keras
甚至是从tf.python.keras
导入的。在教程中,我看到两者都经常使用。例如,下面的代码将失败,并带有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)
其他信息:
tensorflow
,tensorflow-gpu
v2.0.0和Keras 2.3.0通过pip,其他都通过Anaconda 3 最佳答案
从官方的TensorFlow dev缩短(强调我的意思):
我:确认一下,tf.python.keras
是私有(private),供开发使用,而不是公共(public)使用?
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.framework
和tf.python.ops
,它们都在tf.keras.optimizers
中使用。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。无需接触tf.python
即可使用“开箱即用”的用法。
请注意,这不仅是兼容性问题,而且“只要没有任何中断”,两者就不能互换。例如,tf.keras
使用optimizer_v2,它与tf.python.keras
Optimizer完全不同。
最后,请注意,以上两个链接都以tf.python.keras
结尾-不确定,但是看来tf.keras
实际上并不存在于TF Github中(例如,没有引用OptimizerV2
的东西),但是在本地安装时,它确实与tensorflow_core/python/keras/api/_v2
文件夹中的TF合并了:
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
尽管两者都共享
python/
文件夹,但它们都不都是tf.python
-可以从各自的__init__.py
中进行验证。更新:与
tf.python.keras.optimizers
一起使用的tf.python.keras.layers
与tf.keras.optimizers
一起使用的tf.keras.layers
对中等大小的模型(code)运行的慢了 11.5倍。我继续在用户代码中看到前者-将其视为警告提示。