在TensorFlow高级面向对象代码开发中，应选用tf.layers还是tf.keras.layers？
这是刚接触TensorFlow的开发者常纠结的问题，直接给你明确结论：优先选择tf.keras.layers，具体原因我给你拆解清楚：
官方支持与生命周期差异：tf.layers是TensorFlow 1.x时代的遗留模块，目前官方已经停止维护，不会再更新新特性或修复bug。而tf.keras.layers是TensorFlow 2.x及以后版本的核心API，是官方主推的方向，一直在迭代优化，会持续适配TensorFlow的新功能（比如eager execution、分布式训练、混合精度训练等）。
生态集成度更高：tf.keras.layers和整个Keras生态完全打通，你可以无缝搭配
tf.keras.Sequential、tf.keras.Model等模型构建方式，还能直接使用内置的训练循环（model.fit()）、回调函数（比如早停、日志记录）、模型保存加载（model.save()/tf.keras.models.load_model()）等功能，不用自己手动实现这些繁琐的逻辑。而单独使用tf.layers的话，很多配套功能都需要自行编码，效率极低。接口设计更一致、扩展性更强：tf.keras.layers是对tf.layers的重构与扩展，它的接口设计更统一，所有层的参数、调用方式都遵循相同的规范，学习成本更低。而且自定义层的实现也更灵活——继承
tf.keras.layers.Layer后，框架会自动帮你处理变量追踪、序列化、梯度计算等细节，不用像tf.layers时代那样手动管理变量。迁移成本极低：如果你之前有基于tf.layers的旧代码，迁移到tf.keras.layers几乎没有门槛——大部分层的名称、参数和用法都高度一致，比如
tf.layers.Dense和tf.keras.layers.Dense的调用方式几乎完全相同，只需要修改导入路径就能完成迁移。
总结一下：除非你在维护非常老旧的TensorFlow 1.x项目，否则完全没有理由再使用tf.layers，tf.keras.layers是当前和未来的标准选择。
内容的提问来源于stack exchange，提问作者Konstantin Solomatov
