在一条Reddit评论中，Keras的作者、Google AI研究员Francois Chollet发布了一则令人兴奋的消息：Keras将成为首个被添加到Google核心TensorFlow中的高级库，这将有效地使其成为TensorFlow的默认API。出于多种原因，这是一个极好的消息！
作为背景信息，Keras是一个高级Python神经网络库，可以在TensorFlow或Theano之上运行。还有其他可以在TensorFlow之上使用的高级Python神经网络库，例如TF-Slim，尽管这些库开发得较少，并且不是核心TensorFlow的一部分。
使用TensorFlow让我觉得自己不够聪明，无法使用它；而使用Keras让我觉得神经网络比我原来想的要容易。这是因为TensorFlow的API冗长且令人困惑，而Keras拥有我所体验过的最精心设计、最富有表现力的API。在我第一次与TensorFlow进行几次令人沮丧的交互后，我曾不好意思公开批评它。它感觉非常笨拙和不自然，但我确信这是我的不足。然而，Keras和Theano证实了我的怀疑：张量和神经网络不必如此痛苦。（此外，在我们深度学习课程的第二部分中，Jeremy将展示一些技巧，以便更容易地在Tensorflow中编写自定义代码。）
在大学的一次作业中，我曾使用硬件描述语言通过在CPU寄存器中进行加法和移位来编写除法代码。这是一项有趣的练习，但我绝对不想用这种方式来编写神经网络。使用更高级别的语言有很多优点：编码更快、bug更少、痛苦更少。Keras的好处远不止于此：它非常适合神经网络的概念，以至于Keras改善了我和Jeremy对神经网络的思考方式，并促进了新的发现。Keras让我更擅长神经网络，因为语言抽象与神经网络概念非常契合。
用我思考的同一概念语言编写程序，使我能够将注意力集中在我试图解决的问题上，而不是编程语言的“人工痕迹”（artifacts）。当我大部分精力都花在在我脑中的抽象和语言的抽象之间转换时，我的思维变得缓慢而模糊。TensorFlow影响我生产力的方式，就像必须用汇编语言编程会影响我的生产力一样。
正如Chollet所写，“如果你想长期使用高级的面向对象TF API，Keras是最佳选择。”我对这个消息感到非常兴奋。
注：对于我们的面向程序员的深度学习实践课程，我们使用了Keras和Theano。对于面向程序员的深度学习实践课程第二部分，我们计划使用Keras和TensorFlow。我们更喜欢Theano而不是TensorFlow，因为Theano更优雅，并且不会让作用域（scope）变得超级烦人。不幸的是，只有TensorFlow支持我们在第二部分想教授的一些内容。
更新：我上周起草了这篇文章。发布后，我在Twitter上看到Francois Chollet几个小时前已经宣布了将Keras集成到TensorFlow中的消息。