Відповіді:
TFlearn - це модульна та прозора бібліотека для глибокого навчання, побудована на вершині Tensorflow. Він був розроблений для надання API вищого рівня для TensorFlow для полегшення та прискорення експериментів, залишаючись повністю прозорими та сумісними з ним . Однак навіть з TensorFlow ми стикаємося з вибором того, який «фронтальний» фреймворк використовувати. Чи варто використовувати прямо TensorFlow, або TF Learn, або Keras, або нову бібліотеку TF-Slim, яку Google випустив у межах TensorFlow.
Keras - API нейронних мереж високого рівня, написаний на Python і здатний працювати над TensorFlow, CNTK або Theano. Він був розроблений з акцентом на швидке експериментування. Уміння переходити від ідеї до результату з найменшою можливою затримкою є ключовим для хорошого дослідження.
Пряма TensorFlow
справді багатослівна, Keras
і TfLearn
обидва здаються суцільними, але TfLearn
синтаксис здається трохи чистішим. Одним недоліком Tflearn є відсутність легко інтегрованих попередньо підготовлених моделей.
Насправді є так багато відповідей на ваше запитання тут і тут, і я цитую деякі з них тут.
TensorFlow в даний час є основним потоком глибоких навчальних рамок, всі вони є обгорткою TF. Тоді як Керас був звільнений у віці Теано, тому він мав хорошу підтримку від користувачів Theano. У той час як TensorLayer і TFLearn обидва випущені після TensorFlow. Хороший привід вибрати Keras - це те, що ви можете використовувати бекенд TensorFlow, не вивчаючи його. Плюс Керас, як правило, глибоко загортає модель, тому вам не обов’язково вважати, що бекенд - Theano або TF, що є великою перевагою Keras.
Це залежить від того, що ви хочете зробити, швидкого складання прототипів чи чогось іншого?
Керас: Багато людей користуються цим, легко знайти приклади на github. Підходить для початківців. Здатний працювати над TensorFlow або Theano. Tflearn: Чому ніхто не обговорює це? Це також відома бібліотека, прозора над TensorFlow. Висока швидкість бігу. TensorLayer: Просто випустіть (вересень 2016 р.), Прозорий за TensorFlow. Висока швидкість бігу. Легкий у розширенні, підходить для професіоналів, його підручник включає всю модульовану реалізацію навчального посібника з глибокого навчання Google TensorFlow. TF-Silm: Просто випустіть (серпень 2016) схожий з Tflearn, але на даний момент немає шару RNN (вересень 2016).
Найкраща рамка глибокого навчання - це та, яку ти найкраще знаєш.