基础知识看的差不多的了，所以最近开始玩一些有趣的项目。因为现在tensorflow已经作为keras的后端，将其集成了过来，API是在tf.keras下面，所以keras的项目也可以使用，只需要稍作修改即可
为了方便移植，我们一般都是直接从import导入模块的地方对代码进行微调，这样下面的代码基本上不用修改。本来想着直接在keras前面加上tensorflow就可以了，但是好像出了点问题。我在尝试之后，总结了一下需要注意的点：
在jupyter notebook中以下两种导入方式都是可以的：
from tensorflow.keras.layers import Conv2D
from te
在将基于Keras的项目代码迁移到TensorFlow的tf.keras时，需要注意几个关键点，以确保迁移过程顺利。理解TensorFlow与Keras的关系至关重要。目前，TensorFlow已经成为Keras的官方后端，这意味着Keras的功能已经被集成到TensorFlow中，通过tf.keras模块提供。这使得Keras项目的大部分代码可以直接在TensorFlow环境中运行，但可能需要进行一些小的调整。
在导入模块方面，Jupyter Notebook允许两种导入方式：
1. `from tensorflow.keras.layers import Conv2D`
2. `from tensorflow_core.python.keras.layers import Conv2D`
然而，在VSCode或其他编辑器环境下，第一种导入方式可能不适用，需要使用第二种。这是因为Keras的实际实现可能位于`tensorflow_core`子目录下。因此，确保你的导入语句适应当前环境是必要的。
对于API的差异，迁移过程中可能会遇到一些Keras特有的功能在tf.keras中有所改变或被移除的情况。例如，高级激活函数PReLU：
在Keras中，它位于`keras.layers.advanced_activations.PReLU`，但在tf.keras中，这个API已被移动到`tf.keras.layers.PReLU`。这意味着你需要更新你的代码以使用新的导入路径。
模型类Model的导入也发生了变化。原来在Keras中，我们使用`keras.models.Model`，但在tf.keras中，可以直接使用`tf.keras.Model`。这一改动简化了导入流程，但也需要在原有代码中进行相应的替换。
在进行迁移时，务必检查所有导入的模块和使用的API，确保它们在tf.keras中仍然可用并更新相应的导入语句。同时，查阅TensorFlow和Keras的官方文档，了解API的变化情况，以便更好地适应新环境。
从Keras迁移到TensorFlow的tf.keras，主要关注点在于模块导入的方式和API的变更。虽然大部分代码可以通过简单的调整兼容，但部分特定功能可能需要查找对应的tf.keras实现。在实际操作中，务必测试每个修改过的部分，确保代码在新框架下能正常运行。记住，持续学习和实践是保持技术更新的关键，加油，继续努力！
