首先必须要说的就是，不管你要做什么，只要是deep leanring有关的，那么tensorflow是你不可能绕过的，就不说现在很多人论文用tensorflow，工业界用tensorflow的也很多，而且Google推出了tpc，毫无疑问有了tpu，tensorflow速度肯定会更快，可以很明显的感觉到Google在强推tensorflow，而tensorflow目前也算是默认的老大地位。有了这一点，我们就可以来谈谈keras了，因为keras的后端有tensorflow，也就是说要使用tensorflow可以用keras来简单的代替。我之前一直觉得keras封装的太高级，不够灵活，而tensorflow又显得很笨重，所以对keras和tensorflow一直有点抵触，不想有tensorflow或者keras来实现模型。后面出了pytorch，我就去玩pytorch去了，感觉pytorch特别轻，而且很灵活，突然我发现pytorch有好多地方和keras其实挺像的，于是有回到keras看了看，发现其实可以把keras和tensorflow结合起来用，这样既轻便，同时也有很强的灵活性，相当于把一些重复性的繁琐的操作用keras封装起来，而一些自己需要设计的东西呢还是可以用tensorflow自己设计，可以看看这个链接将Keras作为tensorflow的精简接口 – Keras中文文档。pytorch由于动态图的关系确实很灵活，但是performance应该不算很好，没有tensorboard可视化，虽然github有人自己想办法弄出来了，同时也分享了，但是还是略显麻烦，而且分布式支持应该也不太好，毕竟定位于科研，而caffe2应该是fb强推的工业化框架。所以keras+tensorflow应该算是比较好的一种解决办法。对于初学者可以用keras搭搭积木，熟悉之后可以和tensorflow配合起来实现很多复杂功能。所以keras提供了从初学者到高级使用者都可以满足的功能，所以keras其实还是挺好的。另外对于速度方面我没有比较过，不知道keras到底慢在什么方面，如果用keras+tensorflow，我觉得速度应该和tensorflow相当，毕竟只是使用了几个简单的layer封装，而训练过程还是暴露在tensorflow下。
keras的几大特点：
文档齐全
上手快速
纯Python编写
更新迅速
论坛活跃
就是运行速度不太快= =
不过我又不在乎速度~
另外，欢迎访问keras中文文档～:
Keras:基于Python的深度学习库
这就是Keras
Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：
简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
支持CNN和RNN，或二者的结合
无缝CPU和GPU切换
Keras适用的Python版本是：Python 2.7-3.6
Keras的设计原则是
用户友好：Keras是为人类而不是天顶星人设计的API。用户的使用体验始终是我们考虑的首要和中心内容。Keras遵循减少认知困难的最佳实践：Keras提供一致而简洁的API， 能够极大减少一般应用下用户的工作量，同时，Keras提供清晰和具有实践意义的bug反馈。
模块性：模型可理解为一个层的序列或数据的运算图，完全可配置的模块可以用最少的代价自由组合在一起。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法都是独立的模块，你可以使用它们来构建自己的模型。
易扩展性：添加新模块超级容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
与Python协作：Keras没有单独的模型配置文件类型（作为对比，caffe有），模型由python代码描述，使其更紧凑和更易debug，并提供了扩展的便利性。