如何看待Keras正式从TensorFlow中分离？ 第1页

谢邀。

我是Keras团队的工程师，也是主持这次code分离的工程师。

首先来介绍一下这个项目最早的初衷是什么。TF是一个巨大的项目，涉及到的代码从最底层硬件交互，到中间的算子，然后到最上层用户python，编译整个项目是一个非常耗时耗力的过程。在google内部，我们有十分强大的编译工具和cache，一般build整个项目只要几分钟。但是在普通用户的单机上，基本上就是几个小时。（我们以前组里开玩笑说租一个最大的GCP虚拟机来编译TF，七七八八大概一次要5美金左右）。所以基本上让用户从GitHub上来贡献代码就是个劝退的过程。要么PR是只改document，要么就是完全没有测试过，然后我们工程师要自己帮用户跑一遍测试。

在19年的时候大家就意识到了这个问题，TF这个项目不能无限的扩大下去。Infra组的Gunhan就提出了一个modular TF的设计（感兴趣的小伙伴可以去看看）。

主要的想法就是把不同层的代码分开打包和编译，然后互相只通过公开的接口来交互。我们这次的项目也是同样的初衷，具体的设计可以从下面看到。

原本这个设计在20年初就通过了，后来因为疫情稍微延后了一下。主要的时间是花在了清理TF和Keras之间的依赖关系上，而且原本很多Keras代码直接使用了非公开API，把它们全都改写成公开API花了很多功夫。

具体的成果就是现在编译Keras完全不耗时（因为python不需要编译），跑单元测试也基本很快，更重要的是基本理清了既存代码里的依赖关系。

站在用户的角度说，这个改动是基本没有影响的，我们只是把代码挪了个地方，正常的tf.keras API也没有任何改变。对于想贡献代码的小伙伴应该会让体验更加好一点。

希望这个回答能够解答大家的疑问，而不是让大家觉得我们在反复横跳[doge]。

谢谢