Python “保留Tensorflow代码”有什么区别；简单的；或者显式地编程计算图？

我正在学习Tensorflow对NN进行编码，我遇到了在Tensorflow中编程NN的两种通用“方法”，我想知道它们之间的区别

通过使用Tensorflow中的预定义函数和选项，有一种简单的方法（例如）：

另一种方法是通过定义计算图，使用占位符，明确定义损失函数、批次等。类似如下：

x = tf.placeholder(..., dtype='float')
y = tf.placeholder(..., dtype='float')

...

with tf.Session() as sess:
    sess.run(init)
    opt = sess.run(optimizer, ...)
    loss, acc = sess.run([cost, accuracy], ...)

（与本教程中的内容类似：）

---

这两种方法的区别是什么？stackoverflow或Tensorflow教程中的几乎所有问题都使用第二种方法，但第一种方法非常简单（事实上，在Coursera中的deeplearning.ai的Tensorflow课程中使用）。

第一种方法更简单，你应该使用它，特别是如果你是这个领域和/或这些工具的新手。它使用的是一个高级API，现在是Tensorflow的高级API，旨在简化NN编程。对于Keras级别太高的非常特定的任务，您只需要第二种类型的代码

---

第二种方法是“历史”方法，即只使用Tensorflow的核心。很多文档使用它是因为Keras不曾存在，即使在它被创建之后，也花了一些时间成为访问TF并并入TF的标准方式，所以很多人过去不使用它，其中一些仍然没有切换到Keras。

早在Tensorflow的早期版本不支持动态计算，因此您必须构建一个图形（变量和常量的buzy单词），然后在“会话”中执行计算这是Tensorflow 2.0引入的解决方案

Keras只是Tensorflow的高层，所以你应该比较一下急切的执行 至会话模式计算，而非Keras vs“会话”

x = tf.placeholder(..., dtype='float')
y = tf.placeholder(..., dtype='float')

...

with tf.Session() as sess:
    sess.run(init)
    opt = sess.run(optimizer, ...)
    loss, acc = sess.run([cost, accuracy], ...)