"Keras 是 YouTube Discovery 新建模型基础设施的关键组成部分之一。它带来了清晰一致的 API，以及在 YouTube 推荐的主要表面上的 8 个团队表达模型理念的通用方式。"
"Keras 极大地简化了 Waymo 的 ML 从业人员的开发工作流程，其优势在于显著简化的 API、标准化的界面和行为、易于共享的模型构建组件以及高度改进的可调试性。"
"对于任何软件库来说，最好的评价莫过于它选择的抽象感觉完全自然，这样在思考你想要做什么和思考你想要如何编码之间就没有任何摩擦。这正是你使用 Keras 时所得到的。"
"Keras 使我们能够以直观和简化的方式对深度学习模型进行原型设计、研究和部署。函数式 API 使代码易于理解和风格化，从而在团队中的科学家之间实现有效的知识转移。"
"Keras 适合每一位用户：对于学术界来说，它易于定制；对于工业界来说，它提供了开箱即用的高性能模型和管道；对于学生来说，它提供了可读的、模块化的代码。Keras 使得快速迭代实验变得非常简单，无需担心底层细节。"
"Keras 是构建和运营深度学习模型的完美抽象层。自 2018 年以来，我一直使用它来开发和部署模型，用于世界上一些最大的公司 [...] Keras、TensorFlow 和 TFX 的结合无可匹敌。"
"我个人最喜欢 Keras 的地方（除了它的直观 API 之外）是，它易于从研究过渡到生产。我可以训练 Keras 模型，将其转换为 TF Lite，并将其部署到移动和边缘设备。"
"Keras 是一个甜蜜点，在这里你可以获得研究的灵活性以及部署的一致性。Keras 之于深度学习，就像 Ubuntu 之于操作系统。"
"Keras 的用户友好设计意味着它易于学习和使用 [...] 它允许在各种平台上快速原型设计和部署模型。"
Keras 的目的是为任何想要发布基于机器学习的应用程序的开发者提供不公平的优势。Keras 侧重于调试速度、代码优雅和简洁、可维护性和可部署性。当你选择 Keras 时，你的代码库更小、更易读、更容易迭代。由于与 JAX 和 TensorFlow 的 XLA 编译，你的模型运行速度更快，并且由于 TensorFlow 和 PyTorch 生态系统中的服务组件（如 TF Serving、TorchServe、TF Lite、TF.js 等），更容易在各个表面（服务器、移动设备、浏览器、嵌入式）上部署。
Keras 是专为人类而非机器设计的 API。Keras 遵循减轻认知负荷的最佳实践：它提供一致且简单的 API，它将常见用例所需的用戶操作数量降至最低，并且它提供清晰且可操作的错误消息。Keras 还将编写出色的文档和开发人员指南作为重中之重。
Keras 与 JAX、TensorFlow 和 PyTorch 兼容。它使你能够创建可以在框架边界之间移动，并且可以从这三个框架的生态系统中受益的模型。
Keras 是一个工业级的框架，可以扩展到大型 GPU 集群或整个TPU pod。这不仅可能，而且很简单。
Keras 被 CERN、NASA、NIH 和世界各地许多其他科学组织使用（是的，Keras 在 LHC 使用）。Keras 具有实现任意研究想法的底层灵活性，同时提供可选的高级便利功能以加快实验周期。
