觉得有帮助麻烦点赞关注收藏~~~

一、Keras API

Keras是一个用Python编写的高级神经网络API，它能够以Tensorflow、CNTK或者Theano作为后端运行，是一个模块化，最小化并且非常容易扩展的架构，它的开发者Francois Chollet说：当时开发这个库的目的是快速的实验，能够在最短的时间内把想法转换成结果，而这正是好的研究的关键，下面网址是Keras的中文文档手册，其具体特点如下

keras中文文档

用户友好：Keras 是为人类而不是为机器设计的 API。它把用户体验放在首要和中心位置。Keras提供一致且简单的API，将常见用力所需的用户操作数量降至最低，并且在用户错误时提供清晰和可操作的反馈

模块化：一个模型就是一些独立模块的序列化或者图形化组合，它们就像乐高积木一样可以联合起来搭建神经网络。换句话说，这个库预定义了大量的不同类型的神经网络层的实现，如成本函数，优化器，初始化方案，激活函数，以及正则化方案等等

最小化：本库使用Python实现，每个模块都简短并自我描述。

易扩展性：这个库可以扩展出新的功能。

 

 

二、Tensorflow API 

TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

Tensorflow是一个采用数据流图用于数值计算的开源软件库，节点在图中表示数学操作，图中的线则表示在节点间互相联系的多维数据数组，即张量。

数据流图用节点和线的有向图来描述数学计算。节点一般用来表示施加的数学操作，但也可以表示数据输入的起点/输出的终点，或者是读取/写入持久变量的重点。线表示节点之间的输入/输出关系。这些数据线可以输运size可动态调整的多维数据数组，即张量。张量从图中流过的直观图像是这个工具取名为Tensorflow的原因，一旦输入端的所有张量准备好，节点将被分配到各种计算设备，完成异步并行的执行运算。其具体特点如下

高度的灵活性：Tensorflow 不是一个严格的“神经网络”库。只要你可以将你的计算表示为一个数据流图，你就可以使用Tensorflow。

真正的可移植性：Tensorflow 在CPU和GPU上运行，比如说可以运行在台式机、服务器、手机移动设备等等。

自动求微分：基于梯度的机器学习算法会受益于TensorFlow自动求微分的能力，作为TensorFlow用户、用户只需要定义预测模型的结构，将这个结构和目标函数结合在一起，并添加数据，TensorFlow将自动计算相关的微分导数

多语言支持：Tensorflow 有一个合理的c++使用界面，也有一个易用的python使用界面来构建和执行你的graphs。

性能最优化：由于Tensorflow 给予了线程、队列、异步操作等以最佳的支持，Tensorflow 让你可以将你手边硬件的计算潜能全部发挥出来

创作不易  觉得有帮助请点赞关注收藏~~~