tf.keras （以前是tf.contrib.keras ）是keras 2的一种实现，仅通过/用于张量流实现。它托管在tensorflow回购中，并且具有与正式回购不同的代码库（ tf-keras分支中的最后一次提交可追溯到2017年5月 ）。

作为一个经验法则，如果你的代码中使用任何具体tensorflow代码，说什么都tf.data.*提供输入或tf.summary.*在tensorboard可视化，这是简单的只是使用tf.keras 。 （由于该工具包偶尔会出现问题，有些人甚至建议不要将参考Keras实现与TF 一起使用 ）。

另一方面，如果您打算积极维护与框架无关的代码，则使用keras自己的软件包是您的唯一选择。

如果您不太关心与框架无关的内容，但不使用特定于tensorflow的代码，我可能会建议您使用tf.keras并开始使用特定于tensorflow的代码，特别是。我认为tf.data会改变游戏规则。

编辑

我参加了Chollet关于TF2的演讲（找不到在线录音），他在其中基本上说，除TF之外的其他框架的支持最终会下降，并且tf.keras未来发展将完全在tf.keras 。

从我所看到的情况来看，这已经发生了，因为近来Keras的提交流越来越少。

这很有意义，因为到目前为止，唯一流行的DL框架是pytorch，而Keras不支持。将Keras代码与张量流保持“不可知论”（它所支持的唯一主要框架）的意义越来越小。

所以今天，我的答案是默认情况下使用tf.keras ，并将tf.keras用于难以移植的旧项目-这是tf.keras的选择。

最好将Keras理解为API规范，而不是特定的代码库。实际上，向前推进时，将有两种Keras规范的独立实现：内部的TensorFlow（可作为tf.keras使用），以纯TensorFlow编写，并且与所有TensorFlow功能完全兼容；以及外部的多后端，同时支持Theano和TensorFlow（将来可能还会有更多的后端）。

https://blog.keras.io/introducing-keras-2.html