作为一个库，Keras 仍然可以单独使用，因此未来两者可能会分道扬镳。不过，因为谷歌官方支持 Keras 和 TensorFlow，所以似乎不太可能出现这种情况。
2018-10-31 09:40
Keras 依然作为一个库，与 TensorFlow 分开，进行独立操作，所以仍存在未来两者会分开的可能性；然而，我们知道 Google 官方同时支持 Keras 和 TensorFlow，分开似乎又是极不可能发生的。
2018-10-11 10:05
总体来讲keras这个深度学习框架真的很“简易”，它体现在可参考的文档写的比较详细，不像caffe，装完以后都得靠技术博客，keras有它自己的官方文档（不过是英文的），这给初学者提供了很大的学习空间。
2017-12-15 08:22
支持 Python 开发环境的平台同时也能支持 Keras。正式构建测试是在 Python V2.7x 和 V3.5 上运行的，但与 Keras 结合使用的后端需要特定平台才能访问支持的图形处理单元
2018-05-14 04:05
Python软件基金会成员（Contibuting Member）Vihar Kurama简明扼要地介绍了深度学习的基本概念，同时提供了一个基于Keras搭建的深度学习网络示例。
2018-06-06 11:21
为了做到这一点，我们需要先对CSV文件中的数据进行转换，把处理后的数据加载到pandas的数据框架中。之后，它会输出numpy数组，馈送进LSTM。Keras的LSTM一般输入(N, W, F)三维numpy数组，其中N表示训练数据中的序列数，W表示序列长度，F表示每个序列的特征数。
2018-09-06 08:53
Keras的开发设计注重用户友好，因而某种意义上它更加pythonic。模块化是Keras的另一个优雅的设计指导原则。Keras中的任何东西都可以表示为模块，用户可以根据需要将其进一步组合。
2018-03-26 11:11
我面对的大多数计算机视觉问题没有非常大的数据集（5000-40000图像）。即使使用极端的数据增强策略，也很难达到像样的精确度。而在少量数据集上训练数百万参数的网络通常会导致过拟合。所以迁移学习是我的救星。
2018-05-09 03:44
也是 TensorFlow 集成 Keras 的主要设计目标，即让用户能够选择对自己更有用处的 Keras 组件，而无需采用整个框架。
2018-12-18 13:38
Keras有以下几大关键优点：用户友好、模块化、可组合、容易扩展，既适合新手，也适合专家。这些优点加起来。可以让学习、研究、开发、部署的工作流更加容易，效率更高。通过将 Keras 构建为
2018-12-12 09:55
