TFlearn ist eine modulare und transparente Deep-Learning-Bibliothek, die auf Tensorflow aufbaut. Es wurde entwickelt, um TensorFlow eine API auf höherer Ebene zur Verfügung zu stellen, um Experimente zu vereinfachen und zu beschleunigen und dabei vollständig transparent und kompatibel zu bleiben . Selbst mit TensorFlow haben wir jedoch die Wahl, welches „Front-End“ -Framework verwendet werden soll. Sollten wir TensorFlow oder TF Learn oder Keras oder die neue TF-Slim-Bibliothek verwenden, die Google in TensorFlow veröffentlicht hat?
Keras ist eine in Python geschriebene High-Level-API für neuronale Netzwerke, die auf TensorFlow, CNTK oder Theano ausgeführt werden kann. Es wurde mit dem Ziel entwickelt, schnelles Experimentieren zu ermöglichen. Der Schlüssel zu guter Forschung liegt darin, möglichst schnell von der Idee zum Ergebnis zu gelangen.
Straight TensorFlowist zwar sehr ausführlich Kerasund TfLearnbeide scheinen solide zu sein, aber die TfLearnSyntax scheint ein wenig sauberer zu sein. Ein Nachteil von Tflearn ist der Mangel an leicht zu integrierenden, vortrainierenden Modellen.
Tatsächlich gibt es hier und hier so viele Antworten auf Ihre Frage , und ich zitiere einige davon hier.
TensorFlow ist derzeit der Mainstream des Deep-Learning-Frameworks, sie sind alle die Hülle von TF. Keras wurde im Zeitalter von Theano veröffentlicht und hat daher eine gute Unterstützung durch die Benutzer von Theano. Während TensorLayer und TFLearn beide nach TensorFlow veröffentlicht werden. Ein guter Grund, sich für Keras zu entscheiden, ist, dass Sie das TensorFlow-Backend verwenden können, ohne es tatsächlich zu lernen. Darüber hinaus neigt Keras dazu, das Modell tief einzuschließen, so dass Sie das Backend nicht unbedingt als Theano oder TF betrachten müssen, was ein großer Vorteil von Keras ist.
Es hängt davon ab, was Sie tun möchten, schnelles Prototyping oder etwas anderes?
Keras: Viele Leute benutzen es, leicht zu findende Beispiele auf Github. Geeignet für Anfänger. Kann auf TensorFlow oder Theano ausgeführt werden. Tflearn: Warum diskutiert niemand darüber? Es ist auch eine berühmte Bibliothek, die über TensorFlow transparent ist. Hohe Laufgeschwindigkeit. TensorLayer: Einfach freigeben (Sep 2016), transparent über TensorFlow. Hohe Laufgeschwindigkeit. Das Tutorial ist einfach zu erweitern und für Profis geeignet. Es enthält alle modularen Implementierungen des Lernprogramms für Google TensorFlow Deep Learning. TF-Silm: Veröffentlichung (Aug. 2016) ähnlich wie Tflearn, aber derzeit keine RNN-Ebene (Sep. 2016).
Das beste Deep-Learning-Framework ist das, das Sie am besten kennen.