1. 之前介绍过在tensorflow roadshow中介绍了tensorflow2.0的新特性，但是并未进行具体介绍，本文主要介绍tf中keras和原来的keras的差异。
2. tf.keras可以方便的构建我们需要的模型，主要的改变是将原来的tf.nn.xxx替换成了tf.keras.
区别：
1. tf.keras全面支持tensorflow的eager execution模式。当然，在代码中通过eager模式可以反应当前的梯度等，可能认为这个梯度会影响我们代码的运行效率，但是Eager execution相对于graph mode的性能劣势，通过tf.function的imperative-to-graph变换来弥补。
2. tf.keras支持基于tf.data的模型训练。基于lazy范式、使用了多线程数据输入管路，tf.data可以显著提高模型训练的效率。tf.keras.Mode.fit()直接支持tf.data.Dataset 或iterator对象作为输入参数
3.tf.keras支持TPU训练。由于TPU是Google自己研发的，因此我们可以将其把keras的优秀特性集成到tf,然后通过TPU完成加速。`tf.contrib.tpu.keras_to_tpu_model()`将一个tf.keras.Model对象转换成一个可以在TPU上进行训练的模型对象。
4.tf.contrib.saved_model.save_keras_model()可以将模型保存为tensorflow的SavedModel格式。
两者在语法上，在共同点上有很多，基于同一个API：如果不使用tf.keras的特有特性（见下文）的话，模型搭建、训练、和推断的代码应该是可以互换的。把import keras 换成from tensorflow import keras，所有功能都应该可以工作。反之则未必，因为tf.keras有一些keras不支持的特性。
参考：https://www.zhihu.com/question/313111229/answer/606660552