头条说的是Keras，我还想多说几句。
先说说框架。很多公号都热衷于对比深度学习的框架，但是我始终认为框架本身没有好坏，只有工作需要和使用习惯的不同。无论是TF还是Pytorch，都是很优秀的深度学习框架，而且二者还有一个特点：大体上一致，细节处略有不同。
很多初学者都会为入门框架的选择而烦恼。其实我倒觉得，最重要的不是选择，而是赶紧学起来。TF也好，Pytorch也好，包括没啥存在感的一堆“其它深度学习框架”，很多地方其实是相通的，有时候是功能相同，有时候干脆连名字都叫一样。
这个现象很正常，也很好解释。深度学习框架都是基于同一套深度学习理论，知识背景是完全一致的，深度学习的一些基本操作，譬如说卷积，又譬如说损失函数，无论是哪套框架都需要有对应的功能实现，在功能上趋同是必然的事。
简单来说，学会了一套框架，迁移到另一套框架上的成本，比学习两门都面向对象的编程语言还要低一点。
不过，深度学习框架要解决的不仅仅是学术问题，还有工程问题。因此，在细节上会有一些区别，还有一些特色的功能。业界有个笼统的说法，说学术界偏好Pytorch，而工业界喜欢Tensorflow，我是赞同这个说法的。
那么，究竟该怎么选择呢？俗话说得好，成年人是全都要，小孩子才做选择。既然不同的框架总体功能趋同，不妨都加以了解，再根据具体的任务需要，决定本次究竟选择哪款。
对于Keras，我还想多说两句。
就我个人来说，平时用Pytorch会多一些。原因也简单，深度学习框架都要依赖计算图，而早期的TF为了追求性能，支持的是静态计算图，在用户体验上做了很大牺牲，用人话来说就是用的我都快吐了。后来Pytorch出来，一用，那种爽快感感像极了被C艹虐了千百遍以后第一次接触到了Python，就一直用到了现在。
Keras呢其实用得很早，那时候连TF都还没出正式版，后端用的还是Theano。但是那时候的人也和今天一样，也非常纠结，说Keras确实封装得很好，用户体验大大提升，学习门槛也大大降低，但是毕竟是高层抽象，免不了要牺牲性能。今天在Tensorflow身上也能找到一模一样的话，历史果然就是在不断重复自身。
关键是那时候Theano已经是肉眼可见的明日黄花，大家都在转投学习曲线极其陡峭的TF，后来Keras好歹也支持TF了，可是我早被TF的陡峭曲线弄出了PTSD，早早地就转向了Pytorch。对于Keras TF的组合只是作为了解性质地简单玩了一下，没有深入体验。
以前我还常抱怨一件事。
机器学习圈子有几本经典必读书，首推《机器学习实战：基于Scikit-learn与Tensorflow》。这是本入门书，看名字也知道，介绍了两套Python的机器学习库，分别是面向机器学习算法的Scikit-learn，和面向深度学习算法的Tensorflow。
《机器学习实战》封面印了个黑黄相间的爬行动物，所以官方叫蜥蜴书，我不喜欢蜥蜴，我喜欢壁虎，所以我管它叫壁虎书。壁虎书最大的特点是写得细，很多基本的概念和基础的操作，都不厌其烦地展开介绍，特别适合入门，所以业界口碑很好。
但是，以前我觉得有点遗憾。壁虎书选择Scikit-learn就不必说了，做机器学习都绕不开这个库，属于必选动作。但深度学习这块选择的是Tensorflow而不是Pytorch，对于一名TF的重度不爱好者，实在可以说是这本书的一点瑕疵。
不过，决定写Keras这篇文章以后，我决定做一件事：用Keras写一个GAN。做资料收集很容易，有现成的文档和材料，但是，要把微妙的“感受”说清楚就太难了，以己之长攻彼之短，只会带来无穷无尽的争执。
就我的经验来说，必须得真的做完一个项目，才能说清楚一门技术究竟有哪些优点和槽点。至于为什么要写GAN呢，也好说，GAN又有生成器又有判别器，机器学习的两大方向都包了，能够全面考察Keras的能力。
当然，最重要的一点是，壁虎书就有如何实现GAN的章节，而且新版的壁虎书在深度学习部分首选就是Keras，而不是原生的TF，实在写不出来还可以“致敬”一下。
感想我都已经写在了头条的文章里，这里我想补充一条。用过Scikit-learn的同学应该都知道，Scikit-learn的一大特点就是高度封装，把算法的数学细节都统统屏蔽，使用者只需要知道这套算法有哪些参数，然后依葫芦画瓢把参数弄过来传进去就好。
我之前就常说，机器学习是依据数学建立起来的，但学习机器学习是不是都需要把所有公式都手推一遍才能掌握，那就见仁见智。如果只是想要使用机器学习算法的能力，我认为更重要的是知道算法的原理，知道用到哪些参数，这些参数又会对最终效果发挥怎样的作用。
这些知识来源于对算法的理解和实践，恐怕手推公式也无法替代对这部分内容的学习，如果目的是使用机器学习，特别是通过Scikit-learn使用机器学习，可能反而更看重这部分内容。我专门写了一本书，叫《机器学习算法的数学原理和Python实现》来介绍。
Keras给了我同样的感觉。
Keras屏蔽了大量细节，连神经网络最具特色的BP机制都屏蔽了，你只需要把模型搭起来，模型就能自动进行BP跑训练。但是和Scikit-learn一样，该有的参数你得有，譬如说激活函数、损失函数和优化器，这些标准配置都得用户选好了传进去。
很多人诟病Keras，也是因为它过于“高级”，把细节都做了屏蔽处理。譬如说处理时序数据，只要把LSTM层添加进去，哪怕你还没搞清LSTM里面究竟有几个门，同样可以为所欲为。
在设计理念这一层，Keras实在像极了Scikit-learn，如果让Scikit-learn团队开发深度学习框架，很可能就是今天Keras这个样子。相比之下，Pytorch明显要更底层一点，很多具体的细节、机制，都必需要手工处理。
其实用Pytorch和Keras作比较是不合适的，Keras是前端高级库，Pytorch这边对标的，应该是FastAI才对。
现在我倒觉得，新版的《机器学习实战》分别用Scikit-learn和Keras来分别介绍机器学习和深度学习，实在是在合理不过的事。如果要我选择一款框架介绍深度学习，同时又要和Scikit-learn保持一致的风格，我也会选择Keras。
