问Tensorflow --为什么tf.nn和tf.layers / tf.losses / tf.contrib.layers等中有这么多相似甚至重复的函数？

EN

Tensorflow一方面提出了一个低级API (tf.，tf.nn..)，另一方面，提出了一个更高级别的API (tf.layers.，tf.losses.，.)。

高级API的目标是提供功能，极大地简化最常见的神经网络的设计。较低级别的API是为有特殊需求或希望更好地控制正在发生的事情的人提供的。

但是，情况有点混乱，因为有些函数具有相同或相似的名称，而且也没有明确的方法来一见钟情地区分哪个名称空间对应于API的哪个级别。

现在，让我们来看看conv2d。tf.nn.conv2d和tf.layers.conv2d之间的一个显著区别是，后者处理了权重和偏差所需的所有变量。一行代码，然后就创建了一个卷积层。使用tf.nn.conv2d时，您必须先声明权重变量，然后再将其传递给函数。至于偏见，嗯，实际上他们甚至没有被处理:你需要在以后自己添加它们。

除了tf.layers.conv2d还建议在同一个函数调用中添加正则化和激活之外，您还可以想象，当一个人的需求被更高级别的API覆盖时，这将如何减少代码大小。

在默认情况下，高层也会做出一些可以被视为最佳做法的决定。例如，默认情况下，tf.losses中的损失会添加到tf.GraphKeys.LOSSES集合中，这使得各种组件的恢复和求和变得容易，并且有些标准化。如果您使用较低级别的API，则需要自己完成所有这些操作。显然，当您开始在那里混合低级和高级API函数时，您需要小心。

此外，高级API也是对其他框架中用于类似高级功能的人的巨大需求的回答。当您考虑构建在tensorflow之上的其他高级API的数量时，这是相当明显的，例如keras 2(现在的官方tensorflow API的一部分)、slim (在tf.contrib.slim中)、tflearn、tensorlayer等等。

最后，如果我可以添加一个建议:如果您以tensorflow开头，并且不喜欢特定的API，那么我个人鼓励您坚持使用tf.keras.* API：

• 它的API是友好的，至少与构建在低级别tensorflow API之上的其他高级API一样好。
• 它在tensorflow中有一个明确的命名空间(虽然它可以-有时也应该-与来自其他名称空间(如tf.data)的部分一起使用)
• 它现在是tensorflow的头等公民(以前在tf.contrib.keras中)，并注意使新的tensorflow特性(如eager)与keras兼容。
• 它的通用实现可以使用其他工具包，如CNTK，因此不会将您锁定到tensorflow。