将 Keras 并入 TensorFlow，到底是不是一个正确的决定？
近日，Reddit 上出现了一个「悼念」Keras 的帖子，引发了不少人的围观。发帖者表示，谷歌已经慢慢地将 Keras 杀死了。
乍一看，这一观点似乎有点耸人听闻：Keras 活得好好的，怎么能说已经被谷歌杀死了呢？而且前不久，这个神经网络库刚刚过完 6 岁生日。MIT CSAIL 官方账号还发推表示，Keras 目前已经成为全世界使用最多的十大软件工具之一。
Keras 与谷歌的 TensorFlow 有一段极其复杂的历史，这个故事很长，有很多细节，有时甚至会有一些矛盾。Keras 最初是由 Google AI 开发人员 / 研究人员 Francois Chollet 创建并开发的，作者于 2015 年 3 月 27 日将 Keras 的第一个版本 commit 并 release 到他的 GitHub 上。一开始，Francois 开发 Keras 是为了方便他自己的研究和实验。但随着深度学习的普及，许多开发人员、程序员和机器学习从业人员都因其易于使用的 API 而涌向 Keras。为了训练你自己的自定义神经网络，Keras 需要一个后端。后端是一个计算引擎——它可以构建网络的图和拓扑结构，运行优化器，并执行具体的数字运算。你可以把后台看作是你的数据库，Keras 是你用来访问数据库的编程语言。一开始，在 v1.1.0 之前，Keras 的默认后端都是 Theano。与此同时，Google 发布了 TensorFlow，这是一个用于机器学习和神经网络训练的符号数学库。Keras 开始支持 TensorFlow 作为后端。渐渐地，TensorFlow 成为最受欢迎的后端，这也就使得 TensorFlow 从 Keras v1.1.0 发行版开始成为 Keras 的默认后端。一般来说，一旦 TensorFlow 成为了 Keras 的默认后端，TensorFlow 和 Keras 的使用量会一起增长——没有 TensorFlow 的情况下就无法使用 Keras，所以如果你在系统上安装了 Keras，那么你也得安装 TensorFlow。 同样的，TensorFlow 用户也越来越被高级 Keras API 的简单易用所吸引。tf.keras 是在 TensorFlow v1.10.0 中引入的，这是将 keras 直接集成到 TensorFlow 包中的第一步。tf.keras 软件包与你通过 pip 安装的 keras 软件包（即 pip install keras）是分开的。为了确保兼容性，原始的 keras 包没有被包含在 tensorflow 中，因此它们的开发都很有序。然而，这种情况后来发生了改变改变——当谷歌在 2019 年 6 月发布 TensorFlow 2.0 时，他们宣布 Keras 现在是 TensorFlow 的官方高级 API，用于快速简单的模型设计和训练。随着 Keras 2.3.0 的发布，Francois 在声明中写道：这是 Keras 首个与 tf.keras 同步的版本，也是 Keras 支持多个后端（即 Theano，CNTK 等）的最终版本。最重要的是，所有深度学习从业人员都应将其代码转换成 TensorFlow 2.0 和 tf.keras 软件包。原始的 keras 软件包仍会接收 bug 并修复，但请向前看，你应该开始使用 tf.keras 了。
对于 Keras 和 TensorFlow 来说，二者的合并似乎是一个双赢的决定，但很多开发者不这么认为。上述发帖者就是其中之一。ta 认为，这一决定已经慢慢地将 Keras 杀死了。为了解释这一观点，ta 还给出了三个理由：第一个理由是：在合并期间，Keras API 被有效地「冻结」了，这使得它在特性方面落后于其他竞争者；第二个理由是：TF 2 发布得太晚了。最重要的是，最初的几个 2.x 版本漏洞百出，甚至现在也缺乏一些基本的特性；第三个理由是：谷歌没有在 TF 1 和 2 之间进行坚决的切割，而是将 TF 1 中的很多包和垃圾直接移植到 TF 2，使得框架非常臃肿。当某个地方出问题时，你会被满屏冗长的神秘错误信息和堆栈追踪所淹没。
基于这些体验，发帖者认为，Keras 已经被谷歌杀死了。除此之外，之前的一些开发者也指出了二者合并之后带来的一些问题。比如 API 混乱。二者合并之后，tf.keras 中的高级 API 与 tf 中的底层 API 经常需要混用，这样的整合会让开发者不知所措。与此同时，API 的割裂也加大了开发者寻找教程的难度。比如在 TF 2.0 版本中，除了「TF2.0」 这个关键字，你还要弄清楚：这个文档是关于 TF2.0 本身的，还是关于 tf.keras 的。虽然 Keras 并入 TensorFlow 造成了一些混乱，但有不少开发者认为，这一举动并没有毁掉 Keras，反而解决了很多实际问题。一位用户名为「acardosoj」的开发者认为，「Keras API 比以前更容易了。现在你有了更多的函数可以选择，可以更加轻松地利用 TensorFlow 分布式训练。你可以用几行代码在数百个 GPU 上训练一个巨大的模型。」这些在 2016 年都是不可能的。
用户名为「carlthome」的开发者也认为，今天的 Keras 的确增加了很多功能，tf.data、tf.metrics 和 tf.distribute 也因为 tf.keras 的存在而变得更易用。因此他认为，尽管 TensorFlow 的生态系统还需要改善，我们也不应该忽视这些年取得的进步。
甚至有位 TF 的用户表示，从 TF 转向完全集成了 Keras API 的 TF 2 是一个最好的选择。
虽然很多人表示，Keras 和 TF 的结合确实带来了一些改进，但他们也承认，现在整个的 TensorFlow 以及它与 Keras 的合并都很混乱。既然如此，谷歌的团队为什么不多花点工夫梳理一下呢？有些开发者认为，这可能是因为，谷歌的很多人都去开发 Jax 了。
「Tensorflow 从一开始就是一团糟，它非常适合作为可微分编程的工具，但在设计上有一些问题影响了灵活性。PyTorch 的动态图计算做的更好，TF2 想追赶但为时已晚。」
实际上，很多谷歌程序员可能都已经转向 Jax 了。Jax 是谷歌开发的一个 Python 库，用于机器学习和数学计算，具有正向和反向自动微分功能，非常擅长计算高阶导数。程序员们还开发了像 Haiku 这样的工具，使 Jax 可面向对象。
与其说 TensorFlow 杀死了 Keras，还不如说 TF2 杀死了 Tensorflow。当转向 Jax 的人数越来越多，Keras 会随之销声匿迹吗？参考链接：https://www.reddit.com/r/MachineLearning/comments/mhrpbm/d_keras_killed_by_google/往期精彩：
【原创首发】机器学习公式推导与代码实现30讲.pdf
【原创首发】深度学习语义分割理论与实战指南.pdf
谈中小企业算法岗面试
算法工程师研发技能表
真正想做算法的，不要害怕内卷
算法工程师的日常，一定不能脱离产业实践
技术学习不能眼高手低
技术人要学会自我营销
做人不能过拟合
点个在看
