TFlearn est une bibliothèque d'apprentissage en profondeur modulaire et transparente construite au-dessus de Tensorflow. Il a été conçu pour fournir une API de niveau supérieur à TensorFlow afin de faciliter et d'accélérer les expérimentations, tout en restant entièrement transparent et compatible avec lui . Cependant, même avec TensorFlow, nous sommes confrontés à un choix de framework «frontal» à utiliser. Devrions-nous utiliser directement TensorFlow, ou TF Learn, ou Keras, ou la nouvelle bibliothèque TF-Slim que Google a publiée dans TensorFlow.
Keras est une API de réseaux neuronaux de haut niveau, écrite en Python et capable de s'exécuter sur TensorFlow, CNTK ou Theano. Il a été développé dans le but de permettre une expérimentation rapide. Pouvoir passer de l'idée au résultat avec le moins de retard possible est la clé d'une bonne recherche.
Straight TensorFlowest vraiment verbeux Keraset les TfLearndeux semblent solides, mais la TfLearnsyntaxe semble un peu plus propre. Un inconvénient de Tflearn est le manque de modèles pré-formés facilement intégrés.
En fait, il y a tellement de réponses à votre question ici et ici et j'en cite quelques-unes ici.
TensorFlow est actuellement le courant dominant du cadre d'apprentissage en profondeur, ils sont tous le wrapper de TF. Alors que Keras est sorti à l'âge de Theano, et a donc un bon support des utilisateurs de Theano. TensorLayer et TFLearn sont tous deux publiés après TensorFlow. Une bonne raison de choisir Keras est que vous pouvez utiliser le backend TensorFlow sans vraiment l'apprendre. De plus, Keras a tendance à conclure le modèle en profondeur, vous n'avez donc pas nécessairement besoin de considérer le backend comme Theano ou TF, ce qui est un gros avantage de Keras.
Cela dépend de ce que vous voulez faire, du prototypage rapide ou autre chose?
Keras: Beaucoup de gens l'utilisent, il est facile de trouver des exemples sur github. Convient aux débutants. Capable de fonctionner sur TensorFlow ou Theano. Tflearn: Pourquoi personne n'en parle? C'est également une célèbre bibliothèque, transparente sur TensorFlow. Vitesse de course élevée. TensorLayer: il suffit de sortir (septembre 2016), transparent sur TensorFlow. Vitesse de course élevée. Facile à étendre, adapté aux professionnels, son didacticiel comprend toutes les implémentations modulaires du didacticiel Google TensorFlow Deep Learning. TF-Silm: sortie juste (août 2016) similaire à Tflearn, mais pas de couche RNN pour le moment (sept. 2016).
Le meilleur cadre d'apprentissage en profondeur est celui que vous connaissez le mieux.