咱们在做深度学习开发的时候，总免不了和框架打交道，以前用TensorFlow 1.x的人都懂，搭建模型要处理很多底层的会话、占位符这些麻烦事，还得单独导入Keras的API，两套API混着记特别容易搞混。但到了TensorFlow 2.x的时候，官方直接把Keras设成了默认的高层API，相当于把好用的Keras和TensorFlow的底层能力打通了，模型构建的流程直接简化了不止一点，今天就给大家好好拆解一下这个简化的过程，还有实际用的时候要注意的点。
一、TF2.x默认Keras API的核心简化逻辑
1.1 不用再记两套API，统一接口
以前用TF1.x的话，你得同时记得TensorFlow本身的API和Keras的API，比如要定义层的时候，可能得用tf.layers，还得用keras.layers，或者模型编译的时候，要分开处理，很容易出错。但到了TF2.x，所有Keras的核心功能都整合到了tf.keras下面，你只要导入TensorFlow就行，比如写tf.keras.layers，不用再单独import keras，省了好多记忆成本，而且API的命名也更统一，比如加载数据集、定义层、训练模型的方法，都有一致性，刚接触的人也能快速上手。
1.2 自动封装底层细节，不用管复杂配置
以前用TF1.x的时候，要训练模型得手动定义占位符、会话，还要写梯度下降的代码，每一步都要自己处理，稍微写错一点就跑不起来。但TF2.x把这些底层的求导、计算图的构建都封装到Keras的高层API里了，你只要写好模型的结构，调用compile和fit这两个方法，就能自动完成训练，不用管那些复杂的底层配置，相当于把后台的脏活累活都包了，你只需要专注写模型的逻辑就行。
二、用默认Keras API构建模型的完整示例（技术栈：TensorFlow 2.x 默认 Keras API）
下面这个示例是用最常见的MNIST手写数字识别，从数据加载到模型训练评估，全程用TF2的默认Keras API，每一步都有注释，大家可以直接复制运行：
# 导入TensorFlow，自动加载默认的Keras API
import tensorflow as tf
# 1. 加载内置的MNIST手写数字数据集，这个数据集是TF官方准备好的，方便测试模型
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
# 2. 数据预处理：把像素值从0-255归一化到0-1之间，这样模型训练的时候收敛更快
x_train = x_train / 255.0
x_test = x_test / 255.0
# 3. 把28x28的二维图像打平成784维的一维向量，适配后面的全连接层输入
x_train = x_train.reshape(-1, 28 * 28)
x_test = x_test.reshape(-1, 28 * 28)
# 4. 构建序贯模型（Sequential），这是Keras里最简单的模型结构，就是一层接一层的线性堆叠
model = tf.keras.Sequential([
# 第一层：全连接层，有256个神经元，激活函数用ReLU（避免梯度消失的常用函数）
tf.keras.layers.Dense(256, activation='relu', input_shape=(28 * 28,)),
# Dropout层：防止过拟合，训练的时候随机丢弃20%的神经元，让模型不会太依赖某几个特征
tf.keras.layers.Dropout(0.2),
# 输出层：10个神经元对应0-9这10个数字，激活函数用Softmax，把输出转成0-1之间的概率
tf.keras.layers.Dense(10, activation='softmax')
])
# 5. 编译模型：指定训练需要的优化器、损失函数和评价指标
model.compile(
optimizer='adam', # Adam是常用的优化器，自适应学习率，不用手动调参数，新手友好
loss='sparse_categorical_crossentropy', # 稀疏分类交叉熵，适合标签是整数的分类任务
metrics=['accuracy'] # 用准确率作为评价指标，方便看模型好坏
)
# 6. 训练模型：用训练集，跑5轮（epochs），每批处理32个样本，留10%的训练数据做验证
history = model.fit(
x_train, y_train,
epochs=5,
batch_size=32,
validation_split=0.1
)
# 7. 评估模型在测试集上的表现，看实际的准确率
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"测试集上的准确率：{test_acc:.4f}")
这个示例跑下来，大概能达到97%以上的准确率，全程不到20行核心代码，不用处理任何底层的配置，这就是TF2默认Keras API简化模型构建的直观体现。
三、应用场景分析
用TF2默认Keras API搭建模型，适合绝大多数开发者的场景，尤其是这几种情况： 第一种是深度学习入门和课程设计，比如大学生做毕业设计的原型、课程作业，这种时候要求快速出结果，不用纠结底层细节，用这个流程，几个小时就能搭好一个图像分类或者文本分类的模型，把精力放在模型的效果优化上，而不是框架的配置上。 第二种是快速验证想法，比如你突然想到一个新的模型结构，想测一下效果，用Keras的Sequential或者Functional API，能快速搭建起来，不用花时间处理底层的计算图和梯度，几分钟就能跑通测试。 第三种是小项目的快速开发，比如公司内部的小工具，或者个人的AI小项目，比如图片分类的小应用，用这个流程，几天就能上线，不用管太复杂的分布式或者底层优化，高层API足够用。
四、技术优缺点梳理
任何技术都有两面性，TF2默认Keras API也不例外，咱们说一下优缺点： 优点主要有四个：第一，API统一，不用记两套，减少出错的概率，不管是导入、定义层还是训练，都是一套逻辑，刚接触的人也能快速适应；第二，简化流程，封装了底层的求导、计算图构建，不用处理session、占位符这些麻烦事，写更少的代码就能搭建好模型；第三，文档和资源多，Keras是目前最流行的高层深度学习API，网上的教程、案例特别多，遇到问题很容易找到解决办法；第四，灵活性足够，除了最简单的Sequential模型，还有Functional API可以搭建复杂的模型（比如多输入多输出的模型），不用放弃太多灵活性。 缺点也有两个：第一，对于极端定制化的需求，比如要自己改写梯度计算的底层逻辑，或者做特别大规模的分布式训练，Keras的高层封装可能不够灵活，这时候需要用到TensorFlow的原生底层API；第二，性能上，有时候底层定制的模型会比Keras封装的模型快一点，对于对性能要求极高的场景，可能需要结合原生API来优化。
五、注意事项
用TF2默认Keras API搭建模型的时候，有几个点要注意，不然容易踩坑： 第一，版本问题，必须用TensorFlow 2.x及以上的版本，TF1.x的时候Keras是单独的模块，不是默认的，所以如果用旧版本的话，很多API都用不了，升级到TF2.x才能享受到简化的好处； 第二，自定义层的规范，如果要写自己的层，必须按照Keras的规范来，比如要继承tf.keras.layers.Layer类，实现build和call方法，不然模型会报错，比如你写了一个自定义的层，却没实现build方法，训练的时候会出问题； 第三，数据维度的问题，TF2默认的是channels_last的维度顺序，也就是对于图像数据，形状是（样本数，高度，宽度，通道数），比如MNIST的图像是（60000,28,28），如果是RGB图像的话，就是（样本数，28,28,3），如果搞错了维度，模型训练的时候会出错，比如把通道数放在前面，就会得到错误的形状； 第四，训练参数的设置，比如epochs、batch_size这些，要根据数据集的大小来调整，比如数据集小的话，batch_size可以设小一点，epochs不用太多，不然容易过拟合；数据集大的话，batch_size可以设大一点，加快训练速度； 第五，标签类型的问题，如果你的标签是整数（比如MNIST的标签是0-9的整数），要用sparse_categorical_crossentropy损失函数，如果标签是one-hot编码的形式，要用categorical_crossentropy，不然会出错，比如用错损失函数的话，训练的时候loss会一直很高，准确率上不去。
六、文章总结
总的来说，TensorFlow 2.x把Keras设为默认API，是深度学习框架的一次重要优化，它把以前复杂的底层配置都封装了起来，统一了API，让开发者能快速搭建模型，不用花太多精力在框架的细节上，而是专注于模型的逻辑和效果。不管你是刚入门的新手，还是做小项目的开发者，用这个简化流程都能大大提高开发效率，快速看到模型的效果。当然，它也有自己的适用范围，对于极端定制和高性能的场景，可能需要用到原生API，但对于绝大多数常见的开发场景，默认Keras API已经足够好用，能帮你少走很多弯路。
评论
围绕“以Keras为默认API，TensorFlow 2.x如何简化模型构建流程”参与讨论