對於整個tensorflow2.0框架，tensorflow Keras模型和Tensorflow Estimators都能夠訓練神經網絡模型並使用它們來預測新的數據。 它們都是TensorFlow 的高級API。 那麼什麼時候應該用一個來代替另一個呢？，它們兩者的區別是什麼？又有什麼聯繫？工程實戰中怎麼區分二者的使用？
Background：
Estimators API是在版本1.1中添加到Tensorflow中的，它提供了對較低級別Tensorflow核心操作的高級抽象。 它與Estimator實例一起使用，該實例是TensorFlow對完整模型的高級表示。
Keras與Estimators API相似之處在於，它抽象化了深度學習模型組件，如層 layers, 激活函數activation functions 和優化器optimizers，使開發人員更容易使用。 它是一個模型級別的庫，不處理低級操作，低級操作是張量操作庫或後端的工作。 Keras支持三個後端--Tensorflow，Theano和CNTK。
Keras在版本1.4.0（2017年11月2日）之前不屬於Tensorflow的一部分，直到版本1.4.0，Keras纔是Tensorflow的一部分。現在，當您使用tf.Keras（或者談論'Tensorflow Keras')時，您只需使用Keras接口和Tensorflow後端來構建和訓練您的模型。
因此，Estimator API和Keras API都在低級核心Tensorflow API之上提供了更高級的API，您可以使用其中任何一個來訓練您的模型。
estimator跟keras一樣是tf代碼的封裝，可以讓大家避免寫重複的代碼。其中estimator是1.0中比較流行的。keras則是2.0主推的。學習estimator的原因則在於 1. estimator 1.0中就有，平臺支持比較成熟。比如在google內部的分佈式平臺上keras還沒有支持，只能轉成estimator來運行。2. 很多代碼是用estimator寫的，學習estimator可以讓大家更輕鬆看懂這些代碼。
summary:
聯繫： keras和estimator都屬於對模型的封裝，都會封裝模型的訓練流程的代碼。都有分佈式的支持，還有dataset的支持
區別：estimator在1.0中就有，主要的封裝抽象在模型訓練流程，需要自行定義模型結構。keras則對層次的模型訓練流程都進行的抽象。當然，也可以使用keras對層次的封裝來定義模型結構送到estimator中去使用。
實戰中：如果是tf1.0, 建議使用estimator，2.0以上建議使用keras API