一般来说，许多研究人员使用的任何工具根据定义都是有用/有帮助的。

对于 Keras 和其他神经网络框架（如 PyTorch、TensorFlow 等）的特殊情况，很多人都在使用它们。您可以通过阅读该主题中的论文来看到这一点，因为通常会提到实现是在哪个框架中进行的。您还可以通过计算引用来检查“流行度”，例如keras和tensorflow，它们都有数千次引用。

一般来说，您应该更喜欢在该领域使用的众所周知的工具。这些都是经过验证的，您至少可以在一定程度上相信它们产生的结果是正确的（当然，减去用户错误）。从头开始实施神经网络框架并不容易，任何审阅者都可以指出可能存在编程错误和/或错误。此外，正如您所提到的，还有可重复性的优势，因为人们更有可能运行您的代码。

另请注意，许多框架实际上是由研究人员制作的，因此它们专门针对其他研究人员，并且它们的设计是为了便于实验。例如，在 keras 中，很容易将一些自定义功能实现为损失或层，因此您可以将其与另一个网络设计集成。一个框架可以有另一个目标用户群，例如部署低功耗平台或计算机，而 Keras 没有。

最后，您必须考虑到，由于有很多人使用 Keras，因此围绕它有一个大型社区，您可以从中获得支持，例如Stack Overflow或keras-users google group。使用自定义代码将使这变得更加困难或不可能。

如果您不想依赖特定框架，您始终可以以ONNX格式导出网络，以便将其与其他框架或您自己的代码一起使用。

我花了相当多的时间尝试调试在 Keras 上运行的相同测试和在为在硬件上运行而定制的框架之间的差异。当硬件结果是垃圾或表现不佳时，就会出现这种情况。Keras 结果足够可靠，可以用作这些目的的基准，并且不考虑对其进行改进。

但是我也遇到了与 Keras 的版本兼容性问题，所以这不是一个没有根据的问题。有时我尝试使用已弃用的层运行较旧的网络，这可以通过使用相当简单的较旧版本的 Keras 来解决。或者，如果同时需要新旧图层，则可以自己重新添加旧图层，以及一般的自定义图层。请注意，弃用不会在一夜之间发生，并且对于可能会破坏某些东西的更新似乎有很长的警告时间。所以这是一个问题，但不是一个真正的大问题。