（免责声明：我是 Kur 的核心维护者。）

Kur 和 Keras 都是深度学习框架，但它们的用途不同：

• Keras 基于 Theano 和 TensorFlow 构建，为底层张量库提供高级 API。这意味着您将 Keras 用作 Python 程序的一部分，并且您可以像这样以编程方式创建模型（这是 Keras 的功能 API）：

  import keras.layers as L
  import keras.models as M
  
  my_input = L.Input(shape=(100,))
  intermediate = L.Dense(10, activation='relu')(my_input)
  my_output = L.Dense(1, activation='softmax')(intermediate)
  
  model = M.Model(input=my_input, output=my_output)
  

  当您正在开发想要“嵌入”到某个更大的 Python 程序中的深度学习网络时，或者当您正在开发您打算使用的单个模型时，这非常有用。Keras 也相当成熟，并且有一个很棒的社区支持它。Keras 目前为您将完全在 Python 中创建和使用的模型提供了卓越的 API。

• Kur 基于Keras构建，为设计和运行深度学习模型提供描述性框架；使用 Kur 时不编写程序。您无需编程，而是编写描述您的模型的“Kurfiles”：

  model:
    - input: my_input
    - dense: 10
    - activation: relu
    - dense: 1
    - activation: softmax
    - output: my_output
  

  这与我刚刚在 Keras 中编写的模型相同。Kur 的描述性语言可以快速制作原型并测试您的模型。Kurfile 的优点是您可以调整模型的大块或小块，而无需接触您的代码库。当Kurhub发布时，您将拥有一个类似 Docker 的存储库，用于共享模型。

  Kur 还负责编写深度学习系统时需要考虑的许多细节。例如，Kur 知道几种不同的数据类型（CSV、Python pickle 等），它可以加载数据并为您推断形状。如果没有 Kur，您将不得不编写自己的数据处理管道（这可能容易或困难，具体取决于您的数据）。一旦您编写了 Kurfile（以 YAML 或 JSON 格式），您就可以kur train Kurfile使用kur evaluate Kurfile. 这使得它非常容易用作工具，而不是 Python API。

Kur 和 Keras 都可以使用 Theano 或 TensorFlow，都提供 Python API，并且都易于编写模型。这实际上取决于如何计划开发和部署系统。

我使用 Keras 已经有一段时间了。以下是 keras 的一些优缺点：-

• 更易于使用和构建模型（专业版）
• 可以同时使用 TensorFlow 和 Theano 后端（专业版）
• 耗时少，可重用性极佳。（专业版）
• 很多人抱怨 Tensorflow 后端（con）的性能问题。

Kur 最近被 Deepgram 开源了。我发现定义模型的方式独特且简单，但我不确定其稳健性。点击这里了解它。