Tensorflow高級封裝

Tensorflow比較靈活，可是它提供的操做比較低級，因而許多封裝庫應運而生。

slim

導入方式

import tensorflow as tf
import tensorflow.contrib.slim as slim

這個庫直接放在contrib模塊中，不像tflearn、tflayer、keras都有本身獨立的pip包和官方文檔。

keras

優勢：

• 時間久遠
• 社區活躍，文檔齊全
• 多種後端：Theano、Tensorflow、MXNet
• 跨平臺：無論是CPU仍是GPU，無論是Tensorflow仍是別的後端，它都對它們進行了封裝
• 封裝完美：相似sklearn，封裝了各類細節
• 學習成本低，編程簡單

缺點：

• 運行效率低，這個問題隨着時間是會慢慢改善的
  國外測評說是由於 Keras 最開始只是爲了 Theano 而開發的，TensorFlow發佈後才寫支持TensorFlow的代碼，因此爲了兼容犧牲了效率
• 封裝過於嚴密緻使可擴展性差

若是想要快速上手，keras是最簡單實用的。

tflearn

優勢：

• 高效：比Keras高效，可是比不上TensorLayer高效

缺點：

• 維護很差，沒有中文文檔，做者人數較少，開發力量薄弱

tensorlayer

優勢：

• 靈活，能夠很簡單地實現動態網絡結構（Neural Modular Network）
• 文檔齊全，社區活躍。提供了 Google TensorFlow 官網的模塊化實現
• 封裝完善：提供scikit-learn式的API，和專業級的API，適合新手到老手過渡

缺點：

• 發佈時間較晚（16年8月份）

最後

把Tensorflow、Pytorch、MXNet、Caffe比做操做系統，那麼Keras就像Java，雖然慢些可是跨平臺封裝好。TensorLayer就像C#，運行快，可是隻適用於一個平臺。

若是隻是想在網絡架構、應用方面創新，keras無疑是最佳選擇。

參考資料

https://www.zhihu.com/question/50030898/answer/235137938