python机器学习-乳腺癌细胞挖掘（博主亲自录制视频）https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share
这几年一直在用TensorFlow和Theano，说点个人感受 ：D
优点：
1、Keras基于python，backend可以是TensorFlow或Theano，人气比较旺。
2、和其他high-level API一样，都是直接提供上层的框架，很快可以搞出个神经网络原型。
缺点：
1、不支持seq2seq，搞不了高级点的nlp（现在好像支持了）。不过我发现tflearn，lasagne 都不支持seq2seq。目前只知道torch7支持。
2、在TensorFlow backend时，跑同样的模型比纯TensorFlow要慢一倍。。。
3、没有增强学习工具箱，自己修改实现很麻烦。
4、封装得太高级，训练细节不能修改、penalty细节很难修改、不合适算法研究。
5、用TensorFLow backend时速度比纯TensorFLow 下要慢很多。
6、最近更新很慢。
综上所述，我个人觉得：
Keras 适合快速体验 ，但若想学扎实一点则用 Tensorlayer 或者直接使用 TensorFlow 和 Theano。
首先必须要说的就是，不管你要做什么，只要是deep leanring有关的，那么tensorflow是你不可能绕过的，就不说现在很多人论文用tensorflow，工业界用tensorflow的也很多，而且Google推出了tpc，毫无疑问有了tpu，tensorflow速度肯定会更快，可以很明显的感觉到Google在强推tensorflow，而tensorflow目前也算是默认的老大地位。
有了这一点，我们就可以来谈谈keras了，因为keras的后端有tensorflow，也就是说要使用tensorflow可以用keras来简单的代替。我之前一直觉得keras封装的太高级，不够灵活，而tensorflow又显得很笨重，所以对keras和tensorflow一直有点抵触，不想有tensorflow或者keras来实现模型。
后面出了pytorch，我就去玩pytorch去了，感觉pytorch特别轻，而且很灵活，突然我发现pytorch有好多地方和keras其实挺像的，于是有回到keras看了看，发现其实可以把keras和tensorflow结合起来用，这样既轻便，同时也有很强的灵活性，相当于把一些重复性的繁琐的操作用keras封装起来，而一些自己需要设计的东西呢还是可以用tensorflow自己设计，可以看看这个链接将Keras作为tensorflow的精简接口 - Keras中文文档。
pytorch由于动态图的关系确实很灵活，但是performance应该不算很好，没有tensorboard可视化，虽然github有人自己想办法弄出来了，同时也分享了，但是还是略显麻烦，而且分布式支持应该也不太好，毕竟定位于科研，而caffe2应该是fb强推的工业化框架。
所以keras+tensorflow应该算是比较好的一种解决办法。对于初学者可以用keras搭搭积木，熟悉之后可以和tensorflow配合起来实现很多复杂功能。所以keras提供了从初学者到高级使用者都可以满足的功能，所以keras其实还是挺好的。
另外对于速度方面我没有比较过，不知道keras到底慢在什么方面，如果用keras+tensorflow，我觉得速度应该和tensorflow相当，毕竟只是使用了几个简单的layer封装，而训练过程还是暴露在tensorflow下。
个人愚见，以上。
keras的几大特点：
文档齐全
上手快速
纯Python编写
更新迅速
论坛活跃
就是运行速度不太快= =
不过我又不在乎速度~
Keras中文文档
记得点进github的页面加颗星哦～
https://study.163.com/provider/400000000398149/index.htm?share=2&shareId=400000000398149（ 欢迎关注博主主页，学习python视频资源，还有大量免费python经典文章）
