keras.backend和keras.layers如何选择？
How to choose between keras.backend and keras.layers?
我发现keras.backend或keras.layers中有很多相同的名字，例如keras.backend.concatenate和keras.layers.Concatenate。我隐约知道一个是tensor，一个是layer。但是当代码那么大的时候，那么多的函数让我搞不清哪个是tensor哪个是layer。有人有解决这个问题的好主意吗？
我发现的一种方法是先在一个函数中定义所有占位符，但是函数将其作为变量可能在最后return层，而另一个函数将这一层作为变量可能return 另一个变量。
如果有一个层可以实现您想要做的事情，您绝对应该使用 keras.layers。这是因为，在构建模型时，Keras 层仅接受 Keras Tensors（即层的输出）作为输入。但是，keras.backend.*中方法的输出不是Keras Tensor（它是后端Tensor，例如TensorFlow Tensor），因此您不能将它们直接传递给层。
虽然，如果有一个图层无法完成的操作，那么您可以在 Lambda 图层中使用 keras.backned.* 方法来执行该自定义 operation/computation。
注：Keras Tensor其实和后端Tensor是同一类型的（例如tf.Tensor）；但是，它增加了一些 Keras 在构建模型时需要的 Keras 特定属性。
我发现keras.backend或keras.layers中有很多相同的名字，例如keras.backend.concatenate和keras.layers.Concatenate。我隐约知道一个是tensor，一个是layer。但是当代码那么大的时候，那么多的函数让我搞不清哪个是tensor哪个是layer。有人有解决这个问题的好主意吗？
我发现的一种方法是先在一个函数中定义所有占位符，但是函数将其作为变量可能在最后return层，而另一个函数将这一层作为变量可能return 另一个变量。
如果有一个层可以实现您想要做的事情，您绝对应该使用 keras.layers。这是因为，在构建模型时，Keras 层仅接受 Keras Tensors（即层的输出）作为输入。但是，keras.backend.*中方法的输出不是Keras Tensor（它是后端Tensor，例如TensorFlow Tensor），因此您不能将它们直接传递给层。
虽然，如果有一个图层无法完成的操作，那么您可以在 Lambda 图层中使用 keras.backned.* 方法来执行该自定义 operation/computation。
注：Keras Tensor其实和后端Tensor是同一类型的（例如tf.Tensor）；但是，它增加了一些 Keras 在构建模型时需要的 Keras 特定属性。