高级库和低级库的区别
Difference btwn high and low level libraries
高级库和低级库有什么区别？
我知道 keras 是一个高级库，而 tensorflow 是一个低级库，但我对这些框架还不够熟悉，无法理解这对高级库和低级库意味着什么。
高水平意味着你的交互更接近于写英语，你写的代码本质上更容易被人类理解。
低级别的一个例子是一种语言，您必须在其中执行诸如分配内存、将数据从一个内存地址复制到另一个内存地址等操作。
Keras 被认为是高级的，因为您只需几行代码就可以构建一个神经网络，该库将为您处理所有的复杂性。
在tensorflow中（我没用过），你可能要写更多的代码来实现同样的事情，但可能有更大程度的控制。对于外行来说，阅读神经网络的 tensorflow 代码比阅读神经网络的 keras 代码意义不大。
Keras 位于 Tensorflow 之上，因此框架相对于 Tensorflow 本身 'higher-level'。
'high' 级别的语言或框架通常被定义为相对于较低级别的语言或框架而言，具有更多依赖性或与核心二进制代码距离更远的语言或框架。
例如，jQuery 将被视为比 JavaScript 更高级别，因为它取决于 Javascript。而 Javascript 会被认为比汇编代码更高级，因为它被转译为汇编代码。
Keras 是一种高级深度学习 (DL) 'API'。 API 的主要组成部分是：
模型 - 定义神经网络 (NN)。
层 - NN 模型的构建块（例如密集、卷积）。
优化器 - 进行梯度下降以学习 NN 权重的不同方法（例如 SGD、Adam）。
Losses - objective 优化器应针对分类、回归等用例最小化的函数（例如 categorical_crossentropy、MSE） .
此外，它为 API 提供了合理的默认值，例如优化器的学习率，这适用于常见的用例。这减少了用户在学习阶段的认知负担。
这里的'Guiding Principles'部分信息量很大：
运行 神经网络本身涉及的数学运算（如卷积、矩阵乘法等）委托给后端。一
Keras 支持的后端是 Tensorflow。
用代码片段突出差异：
凯拉斯
# Define Neural Network
model = Sequential()
# Add Layers to the Network
model.add(Dense(512, activation='relu', input_shape=(784,)))
....
# Define objective function and optimizer
model.compile(loss='categorical_crossentropy',
optimizer=Adam(),
metrics=['accuracy'])
# Train the model for certain number of epochs by feeding train/validation data
history = model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test))
张量流
它不再是代码片段 :) 因为您需要定义所有内容，从存储权重的变量开始，层之间的连接，训练循环，创建数据批次以进行训练等.
您可以参考以下链接了解在 Keras 与 Tensorflow 中训练 MNIST（DL Hello world 示例）的代码复杂性。
https://github.com/keras-team/keras/blob/master/examples/mnist_mlp.py
考虑到 Keras 带来的好处，Tensorflow 已将 tf.keras 设为 Tensorflow 2.0 中的高级 API。
高级库和低级库有什么区别？
我知道 keras 是一个高级库，而 tensorflow 是一个低级库，但我对这些框架还不够熟悉，无法理解这对高级库和低级库意味着什么。
高水平意味着你的交互更接近于写英语，你写的代码本质上更容易被人类理解。
低级别的一个例子是一种语言，您必须在其中执行诸如分配内存、将数据从一个内存地址复制到另一个内存地址等操作。
Keras 被认为是高级的，因为您只需几行代码就可以构建一个神经网络，该库将为您处理所有的复杂性。
在tensorflow中（我没用过），你可能要写更多的代码来实现同样的事情，但可能有更大程度的控制。对于外行来说，阅读神经网络的 tensorflow 代码比阅读神经网络的 keras 代码意义不大。
Keras 位于 Tensorflow 之上，因此框架相对于 Tensorflow 本身 'higher-level'。
'high' 级别的语言或框架通常被定义为相对于较低级别的语言或框架而言，具有更多依赖性或与核心二进制代码距离更远的语言或框架。
例如，jQuery 将被视为比 JavaScript 更高级别，因为它取决于 Javascript。而 Javascript 会被认为比汇编代码更高级，因为它被转译为汇编代码。
Keras 是一种高级深度学习 (DL) 'API'。 API 的主要组成部分是：
模型 - 定义神经网络 (NN)。
层 - NN 模型的构建块（例如密集、卷积）。
优化器 - 进行梯度下降以学习 NN 权重的不同方法（例如 SGD、Adam）。
Losses - objective 优化器应针对分类、回归等用例最小化的函数（例如 categorical_crossentropy、MSE） .
此外，它为 API 提供了合理的默认值，例如优化器的学习率，这适用于常见的用例。这减少了用户在学习阶段的认知负担。
这里的'Guiding Principles'部分信息量很大：
运行 神经网络本身涉及的数学运算（如卷积、矩阵乘法等）委托给后端。一 Keras 支持的后端是 Tensorflow。
用代码片段突出差异：
凯拉斯
# Define Neural Network
model = Sequential()
# Add Layers to the Network
model.add(Dense(512, activation='relu', input_shape=(784,)))
....
# Define objective function and optimizer
model.compile(loss='categorical_crossentropy',
optimizer=Adam(),
metrics=['accuracy'])
# Train the model for certain number of epochs by feeding train/validation data
history = model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test))
张量流
它不再是代码片段 :) 因为您需要定义所有内容，从存储权重的变量开始，层之间的连接，训练循环，创建数据批次以进行训练等.
您可以参考以下链接了解在 Keras 与 Tensorflow 中训练 MNIST（DL Hello world 示例）的代码复杂性。
https://github.com/keras-team/keras/blob/master/examples/mnist_mlp.py
考虑到 Keras 带来的好处，Tensorflow 已将 tf.keras 设为 Tensorflow 2.0 中的高级 API。