什么'；Tensorflow Keras模型和估计器之间的区别是什么？

Tensorflow Keras模型和Tensorflow估计器都能够训练神经网络模型并使用它们预测新数据。它们都是位于低级核心TensorFlow API之上的高级API。那么什么时候我应该使用一个而不是另一个呢？

Background 估计器API在1.1版中添加到Tensorflow中，并提供了对较低级别Tensorflow核心操作的高级抽象。它适用于估算器实例，这是TensorFlow对完整模型的高级表示

与Estimators API类似，它抽象了深度学习模型组件，如层、激活函数和优化器，使开发人员更容易使用。它是一个模型级库，不处理低级操作，这是张量操纵库或后端的工作。Keras支持三个后端-，和

Keras直到2017年11月2日才成为Tensorflow的一部分。现在，当您使用

tf.keras

（或谈论“Tensorflow keras”）时，您只需使用Tensorflow后端的keras接口来构建和训练您的模型

因此，估计器API和Keras API都提供了一个高级别的API，而不是低级别的core Tensorflow API，您可以使用这两个API来训练您的模型。但是在大多数情况下，如果您使用的是Tensorflow，那么出于下面列出的原因，您可能希望使用Estimators API

分布 您可以使用Estimators API跨多台服务器进行分布式培训，但不能使用Keras API

从这个角度来看，它说：

估计器API用于分布式环境的训练模型

从这个角度来看，它说：

您可以在本地主机或分布式多服务器环境上运行基于估计器的模型，而无需更改模型。此外，您可以在CPU、GPU或TPU上运行基于估计器的模型，而无需重新编码您的模型

预制估计器 虽然Keras提供了抽象，使构建模型更容易，但您仍然需要编写代码来构建模型。对于估计器，Tensorflow提供了预先制作的估计器，这些模型可以直接使用，只需插入超参数即可

预先制作的估计器与您使用的类似。例如，from Tensorflow类似于from

scikit learn

与其他Tensorflow工具的集成 Tensorflow提供了一个名为的可视化工具，可以帮助您可视化图形和统计数据。通过使用估计器，您可以轻松地保存摘要，以便使用Tensorboard可视化

Keras模型到估计器的转换

---

要将Keras模型迁移到估计器，请使用该方法。

在我的理解中，估计器用于大规模培训数据并用于生产目的，因为cloud ML引擎只能接受估计器

以下来自tensorflow的描述提到了这一点：

" Estimators API用于分布式环境的培训模型。该API针对行业用例，例如可以导出模型用于生产的大型数据集上的分布式培训。

---

“

PS:Keras确实处理低级别操作，只是不太标准。它的后端（

import keras.backend as K

）包含许多围绕后端函数的函数。它们用于自定义图层、自定义度量、自定义损耗函数等@DanielMöller感谢您的评论！如果你愿意，请随意编辑我的答案。虽然你所说的是真的，但鉴于

colab

/文档（几乎不存在）的数量，TF.keras似乎更倾向于

TF.keras

。

tf.estimator.estimator
或自定义估计器就分布式训练而言，Keras API实际上比估计器API更受支持。你可以在这里阅读更多：。我同意@hwaxxer。您需要更新Tensorflow 2的答案。