机器学习PAI EasyRec的模型 底层为什么是用的estimator，而不是keras ?是因为

在机器学习 PAI 中，EasyRec 模型底层使用的是 Estimator 而不是 Keras 的原因有多个考虑因素：

1. 兼容性：Estimator 是 TensorFlow 的高级 API，它提供了更广泛的兼容性，可以与不同版本的 TensorFlow 和其他相关工具一起使用。相比之下，Keras 是一个更高级的框架，对于一些特定的功能和配置可能需要与特定版本的 TensorFlow 配合使用。通过使用 Estimator，EasyRec 可以在不同版本的 TensorFlow 上运行，并且能够更好地与其他组件进行集成。

2. 分布式训练支持：Estimator 提供了分布式训练的支持，可以在多台机器或多个计算节点上进行并行训练。这是由于 Estimator 使用 TensorFlow 的分布式计算框架，而 Keras 对分布式训练的支持相对较弱。

3. 结构化输入处理：Estimator 提供了更方便的接口来处理结构化数据，可以通过 Feature Columns 等方式对输入数据进行预处理和特征工程。这对于推荐系统等需要处理复杂、多特征输入的任务非常重要。

尽管 EasyRec 使用 Estimator 作为底层框架，但你仍然可以利用 TensorFlow 的低级部分编写自定义模型或使用 Keras 自定义层，并将其集成到 Estimator 框架中。

这样，EasyRec 可以同时兼容 TensorFlow 1.0 版本及以上，并提供更多的灵活性和功能拓展性。

keras目前不太方便做分布式训练，可以用keras来开发自定义组件，然后用组件拼搭模型，自定义keras layer 可以参考这个：https://easyrec.readthedocs.io/en/latest/component/backbone.html#id13，此回答整理自钉群“【EasyRec】推荐算法交流群”