Keras 2.0.7 版发布，François Chollet 介绍几大主要改进

API 的变化：

• 加入 clone_model 方法, 能够把已有模型作为模板创建新模型。即便 TensorFlow 图和原始模型不一样也可以。

• 向 compile 中加入 target_tensors 参数，用户能把定制张量或占位符作为模型目标。

• 把 steps_per_epoch 参数加入 fit，用户能采用和 Numpy 数组一致的方法来训练数据张量。

• 把该 steps 参数加入 predict 和 evaluate。

• 加入 Subtract merge 层，以及关联层 function subtract。

• 把 weighted_metrics 参数加入 compile，进一步规定 metric 函数，以把 sample_weight 或 class_weight 纳入考虑。

• 让 stop_gradients 后端函数在整个后端保持一致性。

• 允许 repeat_elements 后端函数有动态的形态。

• 支持 CNTK 的全状态 RNN

重大变化：

• 让约束管理（constraint management）基于变量属性；

• 把层和模型中已经不再使用的约束属性移除（不会影响任何用户）。

其 GitHub 地址在这里：https://github.com/fchollet/keras/releases/tag/2.0.7

今年的谷歌 I/O 开发者大会上，Keras 之父 François Chollet 对该工具进行了介绍，雷锋网整理如下：

• Keras 之父讲解 Keras：几行代码就能在分布式环境训练模型 | Google I/O 2017

Keras API 让 Keras 明显区别于其他所有深度学习操作界面

简而言之，它就是一个用于创建 TensorFlow 模型的高级 API，你可以与它一起使用 estimator class 以及 experiment class。

tf.keras

直到现在，Keras API 的 TensorFlow 实现，是以外部开源资源库的形式存在的。但现在，我们把 Keras API 直接整合入 TensorFlow 项目中，这样能与你的已有工作流无缝结合。至此，Keras 成为了 TensorFlow 内部的一个新模块：tf.keras，它包含完整的 Keras API。

• “对于 TensorFlow 用户，这意味着你获得了一整套易于使用的深度学习组件，并能与你的工作流无缝整合。

• 对于 Keras 用户，这意味着一系列高级 TensorFlow 训练功能，比如分布式训练、分布式超参数优化。”

用 Keras API 定义模型，用 TensorFlow estimator 和 experiments 在分布式环境训练模型。