Keras和TFLearn的优缺点是什么？

什么是利弊Keras和TFlearn？一个图书馆何时比另一个图书馆更受青睐？

TFlearn是建立在Tensorflow之上的模块化且透明的深度学习库。它旨在向TensorFlow提供更高级别的API，以促进和加速实验，同时保持完全透明并与之兼容。但是，即使使用TensorFlow，我们也面临使用哪种“前端”框架的选择。我们应该使用直接的TensorFlow，TF Learn还是Keras，还是Google在TensorFlow中发布的新TF-Slim库。

Keras是用Python编写的高级神经网络API，能够在TensorFlow，CNTK或Theano之上运行。它的开发着重于实现快速实验。能够以最小的延迟将想法付诸实践是进行良好研究的关键。

直行TensorFlow确实很冗长，Keras而且TfLearn看起来都很扎实，但是TfLearn语法似乎更简洁。Tflearn的缺点之一是缺乏易于集成的预训练模型。

实际上，您在这里和这里的问题有很多答案，我在这里引用了其中一些。

TensorFlow目前是深度学习框架的主流，它们都是TF的包装。鉴于Keras在Theano时代发布，因此得到了Theano用户的良好支持。TensorLayer和TFLearn都在TensorFlow之后发布。选择Keras的一个很好的理由是您可以使用TensorFlow后端而无需实际学习。另外，Keras倾向于对模型进行深入包装，因此您不必将后端视为Theano或TF，这是Keras的一大优势。

这取决于您要做什么，快速制作原型还是其他？

Keras：许多人正在使用它，可以在github上轻松找到示例。适合初学者。能够在TensorFlow或Theano之上运行。Tflearn：为什么没人讨论呢？它也是一个著名的库，对TensorFlow透明。高运行速度。TensorLayer：刚刚发布（2016年9月），在TensorFlow上透明。高运行速度。易于扩展，适合专业人士，其教程包括Google TensorFlow深度学习教程的所有模块化实现。TF-Silm：刚刚发布（2016年8月），类似于Tflearn，但目前没有RNN层（2016年9月）。

最好的深度学习框架是您最了解的框架。