Python TensorFlow-tf.layers vs tf.contrib.layers

在TensorFlow中，并共享许多功能（标准2D卷积层、批量规范化层等）。这两者之间的区别是否仅仅在于

contrib.layers

包仍然是实验性的，而

layers

包被认为是稳定的？还是一个正在被另一个取代？其他差异？为什么这两个是分开的？

您已经回答了自己的问题。名称空间的官方文档说明如下：

包含易失性或实验性代码的contrib模块

因此

tf.contrib

是为实验特性保留的。此名称空间中的API允许在不同版本之间快速更改，而其他API通常无法在没有新的主版本的情况下进行更改。特别是，

tf.contrib.layers

中的函数与

tf.layers

中的函数不同，尽管其中一些函数可能使用不同的名称进行复制

---

至于你是否应该使用它们，这取决于你是否愿意处理突然发生的变化。不依赖于tf.contrib的代码可能更容易迁移到TensorFlow的未来版本。

是否有任何理由在这些模块之间复制许多功能？比如说，tf.contrib.layers中的版本是优化效果更好的实验版本还是其他版本？或者它们仅仅是由于历史原因在层模块添加到tf之前留下的？@erobert，这可能需要根据具体情况进行评估。通常，

tf.contrib

使社区能够试验不同的API，并在过程中公开不太稳定的特性。因此，它们不必在新要素着陆后立即消失。同样，它们也可能在一个小版本中被完全更改或清理。例如，目前，

tf.layers.conv2d

和

tf.contrib.layers.conv2d

具有不同的原型，并不总是可互换的。