python - tf.keras.layers和tf.layers有什么区别？

tf.keras.layers与tf.layers有什么区别？
例如。他们两个都有Conv2d，它们提供不同的输出吗？
如果将它们混合在一起(在一个隐藏层中像一个tf.keras.layers.Conv2d，在下一个隐藏层中是tf.layers.max_pooling2d)，会有什么好处？

最佳答案

从TensorFlow 1.12开始，tf.layers只是tf.keras.layers的包装器。

几个例子:

卷积tf.layers只是从卷积tf.keras.layers继承而来，请参见源代码here:

@tf_export('layers.Conv2D')
class Conv2D(keras_layers.Conv2D, base.Layer):

对于所有core tf.layers 都是如此，例如:

@tf_export('layers.Dense')
class Dense(keras_layers.Dense, base.Layer):

通过将Keras集成到TensorFlow中，维护几种不同的层实现几乎没有意义。 tf.keras正在成为TensorFlow的事实上的高级API，因此tf.layers现在只是tf.keras.layers的包装。

关于python - tf.keras.layers和tf.layers有什么区别？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/51089334/