tensorflow的keras 與 原聲keras幾點比較，不是全面的比較，因為只是就使用時候發現的差異！

使用函數式API時：

1. 定義模型模型時，用到輸入的張量，也就是給Input的tensor賦值為你的inputs，在編譯時給定target_tensors的值；這種方式自然導致

在fit的時候不用再次傳遞用於訓練的輸入和輸出數據了。

2. 定義模型模型時，使用的時Input的占位符而不是將數據傳遞進去；這種方式，在fit時，需要餵數據。

3.兩種框架都支持以上的函數API的使用方式，但是當數據的以tensorflow.data.Dataset形式供給時，keras只能在第一種方式下工作，

而tensorflow的keras的兩種第一模型的方式，均能很好的與tf.data.Dataset工作！

4.說實話原生keras的fit_generator並不是那麽美好，還是tensorflow的dataset的好用於供給數據，因此，吾還是要用dataset，其他方式鄙人

那種美好只有使用過別的人才能體會。也就是用原生keras只能使用一種定義模型定義方式(在函數API下)，看來選擇tensorflow的keras能

更好融入tensorflow體系，損失就是不能使用原生keras的多後端特性。

5. 坑爹感覺，兩種方式定義相同模型，算出結果有差異？？

tensorflow的keras 與 原聲keras幾點比較