标签：文档   ras   ural   answer   活跃   模块化   google   社区   高级   

Tensorflow比较灵活，但是它提供的操作比较低级，于是许多封装库应运而生。

slim

导入方式

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

这个库直接放在contrib模块中，不像tflearn、tflayer、keras都有自己独立的pip包和官方文档。

keras

优点：

• 时间久远
• 社区活跃，文档齐全
• 多种后端：Theano和Tensorflow
• 封装完美：类似sklearn，封装了各种细节
• 学习成本低，编程简单

缺点：

• 运行效率低
  国外测评说是因为 Keras 最开始只是为了 Theano 而开发的，TensorFlow发布后才写支持TensorFlow的代码，所以为了兼容牺牲了效率
• 封装过于严密导致可扩展性差

如果想要快速上手，keras是最简单实用的。如果需要长期研究，就需要较多的灵活性，推荐TensorLayer

tflearn

优点：

• 高效：比Keras高效，但是比不上TensorLayer高效

缺点：

• 维护不好，没有中文文档，作者人数较少，开发力量薄弱

tflayer

优点：

• 灵活，可以很简单地实现动态网络结构（Neural Modular Network）
• 文档齐全，社区活跃。提供了 Google TensorFlow 官网的模块化实现
• 封装完善：提供scikit-learn式的API，和专业级的API，适合新手到老手过渡

缺点：

• 发布时间较晚（16年8月份）

最后

TensorLayer可能是未来的趋势。Tensorflow+TensorLayer学全了，Tensorflow就算熟练使用了。

参考资料

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

Tensorflow高级封装

标签：文档   ras   ural   answer   活跃   模块化   google   社区   高级   

原文地址：https://www.cnblogs.com/weiyinfu/p/9609421.html