필요한 제어 수준으로 결정해
선택 기준은 솔직하면 단순해. 세부 구현을 완전히 통제하는 것보다 시제품을 빨리 만드는 일이 중요하면 Keras가 좋아. 자동 미분의 안쪽을 Python으로 한 단계씩 추적해야 하거나 사용자 정의 diffusion sampler처럼 실행 흐름 자체가 연구 대상이면 PyTorch를 직접 쓰는 편이 편할 수 있어. pmap과 vmap을 중심으로 순수 함수형 코드를 만들고 싶다면 JAX가 맞고, TF Serving이나 TFLite의 저수준 기능을 직접 다뤄야 한다면 TensorFlow가 필요할 수 있지. 많은 제품 팀이 모델은 Keras 3로 만들고 주변 기반 시설은 이 도구들 가운데 하나로 구성하는 이유가 여기 있어.
선택을 종교처럼 받아들일 필요도 없어. JAX 백엔드의 Keras 모델을 model.fit()으로 학습하다가 직접 계산해야 하는 단계에서는 jax.grad를 쓸 수 있어. 추상화가 도움 되는 곳에서는 Keras를 쓰고, 제어가 필요한 경계에서 아래 계층으로 내려가면 돼.