如何使用 TensorFlow 中的 tf.keras，而不是直接使用 Keras。

使用 TensorFlow 中的 tf.keras 与直接使用 Keras 的区别并不大，但需要注意以下几点：

1. 导入方式不同，使用 tf.keras 需要从 TensorFlow 中导入，而不是直接导入 keras。例如：

   from tensorflow import keras
   from tensorflow.keras.layers import Dense, Conv2D, MaxPooling2D

2. 有些 Keras 中的函数或类在 tf.keras 中可能有一些变化，需要注意。例如，在 tf.keras 中，对于二分类问题，应该使用 sigmoid 激活函数和 binary_crossentropy 损失函数，而不是 softmax 和 categorical_crossentropy。

3. 如果您要使用 Tensorflow 的其他功能，如 TensorBoard 或分布式训练，那么使用 tf.keras 会更加方便。

下面是一个使用 tf.keras 的简单示例：

import tensorflow as tf
from tensorflow import keras

# 构建模型
model = keras.Sequential([
    keras.layers.Dense(64, activation='relu', input_shape=(784,)),
    keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = x_train.reshape((60000, 784)) / 255.0
x_test = x_test.reshape((10000, 784)) / 255.0
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))

可以看到，使用 tf.keras 与直接使用 Keras 的代码非常相似。