TFlearn to modułowa i przejrzysta biblioteka do głębokiego uczenia zbudowana na bazie Tensorflow. Został zaprojektowany, aby zapewnić interfejs API wyższego poziomu dla TensorFlow w celu ułatwienia i przyspieszenia eksperymentów, przy jednoczesnym zachowaniu pełnej przejrzystości i zgodności z nim . Jednak nawet w przypadku TensorFlow mamy do czynienia z wyborem frameworku „front-end”. Czy powinniśmy korzystać z prostej TensorFlow, TF Learn, Keras lub nowej biblioteki TF-Slim wydanej przez Google w ramach TensorFlow.
Keras to interfejs API sieci neuronowych wysokiego poziomu, napisany w języku Python i działający na platformach TensorFlow, CNTK lub Theano. Został opracowany z naciskiem na umożliwienie szybkich eksperymentów. Możliwość przejścia od pomysłu do rezultatu z jak najmniejszym opóźnieniem jest kluczem do dobrych badań.
Straight TensorFlowjest bardzo gadatliwy, Kerasa TfLearnoba wydają się solidne, ale TfLearnskładnia wydaje się nieco czystsza. Wadą Tflearn jest brak łatwych do zintegrowania wstępnie przeszkolonych modeli.
W rzeczywistości jest tak wiele odpowiedzi na twoje pytanie tutaj i tutaj, a niektóre z nich przytaczam tutaj.
TensorFlow jest obecnie głównym nurtem dogłębnego uczenia się, wszystkie są opakowaniem TF. Natomiast Keras został wydany w wieku Theano, a zatem ma dobre wsparcie od użytkowników Theano. Podczas gdy TensorLayer i TFLearn są wydawane po TensorFlow. Dobrym powodem, aby wybrać Keras, jest możliwość korzystania z zaplecza TensorFlow bez faktycznego uczenia się. Plus Keras ma tendencję do głębokiego zamykania modelu, więc niekoniecznie musisz uważać backend za Theano lub TF, co jest dużą zaletą Keras.
To zależy od tego, co chcesz zrobić, szybkiego prototypowania czy czegoś innego?
Keras: Wiele osób korzysta z niego, łatwe do znalezienia przykłady na github. Odpowiedni dla początkujących. Może działać na TensorFlow lub Theano. Tflearn: Dlaczego nikt o tym nie dyskutuje? Jest to również znana biblioteka, przezroczysta w stosunku do TensorFlow. Wysoka prędkość biegu. TensorLayer: Just release (wrz 2016), przezroczysty w stosunku do TensorFlow. Wysoka prędkość biegu. Łatwy do rozszerzenia, odpowiedni dla profesjonalistów, jego samouczek obejmuje wszystkie modułowe wdrożenie samouczka Google TensorFlow Deep Learning. TF-Silm: Właśnie wypuść (sierpień 2016 r.) Podobnie z Tflearn, ale w tej chwili nie ma warstwy RNN (wrzesień 2016 r.).
Najlepsze ramy do głębokiego uczenia się to te, które znasz najlepiej.