tf.keras和tf.python.keras有什么区别？
我遇到了严重的不兼容性问题，因为相同的代码在一个代码与另一个代码之间却发生了冲突。例如：
从Github的源代码来看，这些模块及其导入看起来相当相同，tf.keras甚至从中导入也是如此tf.python.keras。在教程中，我看到两者都经常使用。例如，下面的代码将失败tf.python.keras。
这是怎么回事？有什么区别，什么时候应该使用其中一个？
from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Nadam
import numpy as np
ipt = Input(shape=(4,))
out = Dense(1, activation='sigmoid')(ipt)
model = Model(ipt, out)
model.compile(optimizer=Nadam(lr=1e-4), loss='binary_crossentropy')
X = np.random.randn(32,4)
Y = np.random.randint(0,2,(32,1))
model.train_on_batch(X,Y)
附加信息 ：
- CUDA 10.0.130，cuDNN 7.4.2，Python 3.7.4，Windows 10
tensorflow，tensorflow-gpuv2.0.0和Keras 2.3.0（通过pip），其他所有通过Anaconda 3
-
从官方的TensorFlow开发人员开始，缩短了（强调我的意思）：
API导入位于软件包的根目录中。其他任何导入都只是Python，允许您访问私有程序而无需考虑良好的编码习惯。
进口的唯一方法是
import tensorflow as tf tf.keras我们也提供的支持
from tensorflow.keras import，尽管它很脆弱，并且在我们继续重构时可能会中断。 不支持
从tensorflow.python或任何其他模块（包括import tensorflow_core） 导入
，并且可能会突然中断。我： 可以肯定的
tf.python.keras是， 私有的 是为了发展，而不是供 公众 使用？是的，确实如此。一切
tf.python都是私人的
但是，这还不是全部。
tf.python仍然是访问某些函数/类的唯一方法-
例如tf.python.framework和tf.python.ops，都在中使用tf.keras.optimizers。但是如上所述，除非您正在“开发”（即编写自定义功能或类），否则这不会成为问题。“开箱即用”用法应该很好，永远不要碰tf.python。请注意，这不仅是兼容性问题，而且“只要没有任何问题”，两者就 不能
互换。例如，tf.keras使用optimizer_v2，它与tf.python.keras
Optimizer实质上不同。最后，请注意，以上两个链接都以
tf.python.keras-不确定而结束，但似乎tf.keras在TF
Github中实际上并不存在（例如，无引用OptimizerV2），但是在本地安装时，它 确实
与TF合并在tensorflow_core/python/keras/api/_v2文件夹中：from tensorflow import keras print(keras.__file__) from tensorflow.python import keras print(keras.__file__) D:\Anaconda\lib\site-packages\tensorflow_core\python\keras\api\_v2\keras\__init__.py D:\Anaconda\lib\site-packages\tensorflow_core\python\keras\__init__.py虽然两个共享
python/文件夹，他们 不 都tf.python-可以从它们各自的验证__init__.py。
更新
：tf.python.keras.optimizers与tf.python.keras.layersvs一起tf.keras.optimizers使用，对于中型模型（代码），tf.keras.layers运行
速度 要 慢11.5倍 。我继续在用户代码中看到前者-将其视为警告提示。
