TensorFlow Keras
TensorFlow Keras 指的是将 Keras API 集成到 TensorFlow 框架中。Keras 最初是一个独立的,用于构建和训练深度学习模型的高级 API，现在已成为 TensorFlow 的官方高级 API。
TensorFlow Keras 的关键：
高级 API：Keras 提供了一个用户友好且直观的接口，用于定义、训练和评估深度学习模型，并抽象化了底层 TensorFlow 操作的大部分复杂性。
快速原型开发：其简洁性和模块化特性使得在开发机器学习模型时，能够快速进行实验和迭代。
核心抽象：Keras 的核心抽象包括层（具有可训练权重的输入/输出转换）和模型（构成计算图的层组）。
与 TensorFlow 集成：作为 tf.keras，它与整个 TensorFlow 生态系统无缝集成，从而可以访问 TensorFlow 的高级功能、分布式训练功能和部署工具。
灵活性：Keras 在提供高级接口，同时，还允许通过对层和模型进行子类化来实现高级自定义，从而创建自定义组件和训练循环。
跨后端兼容性（Keras 3）：借助 Keras 3，模型可以实例化为 PyTorch 模块或导出为 TensorFlow SavedModels，从而增强不同深度学习框架之间的互操作性。
TensorFlow API
Keras的核心数据结构是层和模型。层是一个简单的输入/输出转换，而模型是由层构成的有向无环图 (DAG)。
层
tf.keras.layers.Layer类是Keras中的基本抽象概念。一个层封装了状态（权重）和一些计算（在 tf.keras.layers.Layer.call 方法中定义）。
层创建的权重可以是可训练的，也可以是不可训练的。层是递归可组合的：如果您将一个层实例作为另一个层的属性，则外层将开始跟踪内层创建的权重。
您还可以使用层来处理数据预处理任务，例如归一化和文本向量化。预处理层可以直接包含在模型中，无论是在训练期间还是训练之后，这使得模型具有可移植性。
层是具有已知数学结构的函数，可以重用并具有可训练变量。在 TensorFlow 中，大多数层和模型的高级实现，例如 Keras 或 Sonnet，都是基于同一个基础类：tf.Module 构建的。
模型
模型是一个将层组合在一起，并可使用数据进行训练的对象。
最简单的模型类型是序列模型，它是一个线性堆叠的层。对于更复杂的架构，您可以使用Keras函数式API构建任意层图，或者使用子类化从头开始编写模型。
tf.keras.Model类具有内置的训练和评估方法：
- tf.keras.Model.fit：训练模型指定轮数。
- tf.keras.Model.predict：生成输入样本的输出预测。
- tf.keras.Model.evaluate：返回模型的损失和指标值；通过tf.keras.Model.compile方法配置。
这些方法使您可以访问以下内置训练功能：
- 回调。可以利用内置回调，进行提前停止、模型检查点和TensorBoard监控。您还可以实现自定义回调。
- 分布式训练。可以轻松地将训练扩展到多个GPU、TPU或设备。
- 步长融合。通过tf.keras.Model.compile中的steps_per_execution参数，您可以在单个tf.function调用中，处理多个批次，从而显著提高TPU的设备利用率。
序列模型
产生顺序模型
顺序模型适用于简单的层堆叠结构，其中每一层都恰好有一个输入张量和一个输出张量。
Sequential构造函数接受一个名称参数，就像Keras中的任何层或模型一样。这对于使用语义有意义的名称来标注TensorBoard图非常有用。
顺序模型示意图如下：
定义一个包含3个层的序列模型。
model = keras.Sequential(
[
layers.Dense(2, activation="relu", name="layer1"),
layers.Dense(3, activation="relu", name="layer2"),
layers.Dense(4, name="layer3"),
]
)
# Call model on a test input
x = tf.ones((3, 3))
y = model(x)上述的序列模型与下列的层定义是等价的
layer1 = layers.Dense(2, activation="relu", name="layer1")
layer2 = layers.Dense(3, activation="relu", name="layer2")
layer3 = layers.Dense(4, name="layer3")
# Call layers on a test input
x = tf.ones((3, 3))
y = layer3(layer2(layer1(x)))存取顺序模型的层
序列模型的层可以通过layers属性访问。
下面展示一些 内联代码片。
print(model.layers)增加顺序模型层
可以通过 add() 方法逐步创建 Sequential 模型
model = keras.Sequential(name="my_sequential")
model.add(layers.Dense(2, activation="relu", name="layer1"))
model.add(layers.Dense(3, activation="relu", name="layer2"))
model.add(layers.Dense(4, name="layer3"))删除顺序模型层
pop() 方法可以用来删除层。
输入形状(shape)
一个tensor的形状描述了它的结构和维度。它通常表示为一个整数元组，其中每个整数表示tensor沿特定维度（或轴）的大小。
在没有输入形状的情况下，实例化一个Sequential模型时，它不会被"构建"，它没有权重（调用 model.weights 会报错，指出这一点）。
权重是在模型首次接收到输入数据时创建的：
model = keras.Sequential(
[
layers.Dense(2, activation="relu"),
layers.Dense(3, activation="relu"),
layers.Dense(4),
]
) # No weights at this stage!
# At this point, you can't do this:
# model.weights
# You also can't do this:
# model.summary()
# Call the model on a test input
x = tf.ones((1, 4))
y = model(x)
print("Number of weights after calling the model:", len(model.weights)) # 6其他API和工具
Keras 提供了许多其他用于深度学习的 API 和工具，包括：
- 优化器
- 指标
- 损失函数
- 数据加载工具