tensorflow的keras 与 原声keras几点比较，不是全面的比较，因为只是就使用时候发现的差异！
使用函数式API时：
1. 定义模型模型时，用到输入的张量，也就是给Input的tensor赋值为你的inputs，在编译时给定target_tensors的值；这种方式自然导致
在fit的时候不用再次传递用于训练的输入和输出数据了。
2. 定义模型模型时，使用的时Input的占位符而不是将数据传递进去；这种方式，在fit时，需要喂数据。
3.两种框架都支持以上的函数API的使用方式，但是当数据的以tensorflow.data.Dataset形式供给时，keras只能在第一种方式下工作，
而tensorflow的keras的两种第一模型的方式，均能很好的与tf.data.Dataset工作！
4.说实话原生keras的fit_generator并不是那么美好，还是tensorflow的dataset的好用于供给数据，因此，吾还是要用dataset，其他方式鄙人
那种美好只有使用过别的人才能体会。也就是用原生keras只能使用一种定义模型定义方式(在函数API下)，看来选择tensorflow的keras能
更好融入tensorflow体系，损失就是不能使用原生keras的多后端特性。
5. 坑爹感觉，两种方式定义相同模型，算出结果有差异？？