为什么选择Keras？
在如今无数深度学习框架中，为什么选择Keras而不是其他？以下是Keras的优势：
Keras注重开发者体验
- Keras是为人类而不是为机器设计的API。Keras遵循减轻认知负载的最佳实践。: 它提供一致而简洁的API，尽量减少常用操作所需的步骤，并对误用给予清晰而有指导性的反馈。
- 这让Keras既好学又好用。作为Keras的使用者，你比竞争对手更高效，因为你能更快地尝试更多新点子。这反过来帮你赢得机器学习竞赛。
- 简单易用并不以牺牲灵活性为代价：因为Keras整合了底层深度学习语言，特别是TensorFlow，使你可以构建原本想用底层语言构建的一切。Keras以“tf.keras“的形式与TensorFlow无缝衔接。
Keras被工业界和学术界广泛采用
截至2017年11月，拥有超过200，000个人用户的Keras是除TensorFlow外被工业界和学术界最多使用的深度学习框架（而Keras往往与TensorFlow结合使用）。
其实你早已见识过Keras————Netflix，优步，Yelp，Instacart，Zocdoc，Square，以及其他许多应用上都有用Keras创建的功能。它尤其受以深度学习为产品核心的创业公司的欢迎。
Keras也大受深度学习研究者的喜爱。在上传到学术论文网站arXiv.org的论文中被提及的次数位居第二：
Keras还被大型科研机构的研究者所采用，特别是CERN和NASA。
Keras使模型轻松转化为产品
与其他深度学习框架相比，Keras模型可以轻松地发布到更多平台：
- iOS，通过Apple’s CoreML（苹果为Keras提供官方支持）
- 安卓，通过TensorFlow Android runtime，例如：Not Hotdog app
- 浏览器，通过GPU加速的JavaScript runtimes，例如：Keras.js和WebDNN
- Google Cloud，通过TensorFlow-Serving
- Python网页应用后端（比如Flask app）
- JVM，通过SkyMind提供的DL4J模型导入
- Raspberry Pi
Keras支持众多后端引擎，不限制你于单一生态
你的Keras模型可以用不同的深度学习后端开发。尤其当模型仅含有Keras内置的层时，它可以在这些后端间移植：用一种后端训练模型，再将它载入另一种后端中（比如为了发布）。支持的后端有：
- 谷歌的TensorFlow后端
- 微软的CNTK后端
- Theano后端
亚马逊也正在为Keras开发MXNet后端。
如此一来，你的Keras模型可以在超越CPU的不同硬件平台上训练：
- NVIDIA GPU
- Google TPU，通过TensorFlow后端和Google Cloud
- OpenGL支持的GPU, 比如AMD那些, 通过PlaidML Keras后端
Keras强力支持多GPU和分布式训练
- Keras内置对多GPU数据并行的支持
- 优步的Horovod对Keras模型有第一流的支持
- Keras模型可以被转换为TensorFlow估算器并在Google Cloud的GPU集群上训练。
- Keras可以在Spark（通过CERN的Dist-Keras）和 Elephas上运行
Keras的开发受到深度学习生态圈中关键公司的支持
Keras的开发主要由谷歌支持，Keras API以“tf.keras”的形式打包在TensorFlow中。微软维护着Keras的CNTK后端。亚马逊AWS正在开发MXNet支持。其他提供支持的公司包括NVIDIA、优步、苹果（通过CoreML）。
 |
 |
 |
 |
|---|