Google Colab调用keras时optimizers无SGD、Sequential属性报错问询

• 核心问题为混用了两套Keras实现的导入逻辑：第一行from tensorflow import keras导入的是TensorFlow内置的tf.keras模块，后续from keras.models import Sequential等写法调用的是独立安装的Keras库，两者属于完全独立的命名空间。Colab默认环境仅预装TensorFlow内置的tf.keras，无匹配版本的独立Keras库，因此会出现属性缺失的报错。
• TensorFlow 2.0+版本后，官方已将tf.keras作为Keras的官方维护实现，独立Keras库的接口规则、版本迭代均和tf.keras存在差异，混用必然会触发属性不存在的问题。

推荐直接统一使用tf.keras的导入规范，无需额外安装依赖，完美适配Colab默认环境，修改后的导入代码如下：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation
from tensorflow.keras.callbacks import Callback
from tensorflow.keras import regularizers
from tensorflow.keras import optimizers

后续编译模型的代码可直接使用已经导入的optimizers模块，同时注意新版本tf.keras中SGD的学习率参数已从lr改为learning_rate，避免废弃警告：

model.compile(
     optimizer = optimizers.SGD(learning_rate=lr),
     loss = loss_func,
     metrics = ["accuracy"]
)

如果需要使用独立Keras库，可先在Colab单元格执行!pip install keras安装对应依赖，之后所有导入均使用from keras.xxx import xxx的写法，全程不要导入tf.keras即可，该方案适配性较差，不优先推荐。

内容的提问来源于stack exchange，提问作者gummyBear