将tf.keras.layers与Tensorflow低层API相结合

我可以将tf.keras.layers与低水平tensorflow结合起来吗

代码不正确，但我想这样做：创建占位符，稍后将向其提供数据（在tf.Session（）中），并将该数据提供给我的模型

X, Y = create_placeholders(n_x, n_y)

output = create_model('channels_last')(X)

cost = compute_cost(output, Y)

---

是的，这与使用

tf.layers.dense（）

相同。使用

tf.keras.layers.Dense（）

实际上是最新tensorflow版本

1.13

中的首选方式（

tf.layers.Dense（）

）。比如说

导入tensorflow作为tf
将numpy作为np导入
x_train=np.array（[[-1.551，-1.469]，[1.022,1.664]]，dtype=np.float32）
y_train=np.array（[1,0]，dtype=int）
x=tf.placeholder（tf.float32，shape=[None，2]）
y=tf.placeholder（tf.int32，shape=[None]）
使用tf.name_作用域（“网络”）：
layer1=tf.keras.layers.Dense（2，输入_形状=（2，））
layer2=tf.keras.layers.Dense（2，输入_形状=（2，））
fc1=第1层（x）
logits=第2层（fc1）
使用tf.name\u范围（“损失”）：
xentropy=tf.nn.sparse\u softmax\u cross\u entropy\u with\u logits（labels=y，logits=logits）
损失fn=tf.减少平均值（x熵）
使用tf.name_作用域（“优化器”）：
优化器=tf.train.GradientDescentOptimizer（0.01）
列车运行=优化程序。最小化（损失）
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
loss_val=sess.run（loss_fn，feed_dict={x:x\u train，y:y\u train}）
_=sess.run（train_op，feed_dict={x:x_train，y:y_train}）

可能与@Sharky的链接重复，我不认为这是该链接的重复