TFlearn adalah perpustakaan pembelajaran dalam modular dan transparan yang dibangun di atas Tensorflow. Itu dirancang untuk memberikan API tingkat tinggi ke TensorFlow untuk memfasilitasi dan mempercepat eksperimen, sambil tetap sepenuhnya transparan dan kompatibel dengannya . Namun, bahkan dengan TensorFlow, kami menghadapi pilihan kerangka kerja "ujung depan" mana yang akan digunakan. Haruskah kita menggunakan TensorFlow lurus, atau Belajar TF, atau Keras, atau perpustakaan TF-Slim baru yang dirilis Google dalam TensorFlow.
Keras adalah API jaringan saraf tingkat tinggi, ditulis dengan Python dan mampu berjalan di atas TensorFlow, CNTK, atau Theano. Itu dikembangkan dengan fokus pada memungkinkan eksperimen cepat. Mampu beralih dari ide ke hasil dengan penundaan sesedikit mungkin adalah kunci untuk melakukan penelitian yang baik.
Lurus TensorFlowbenar-benar verbose sementara Kerasdan TfLearnkeduanya tampak solid, tetapi TfLearnsintaksisnya tampak sedikit lebih bersih. Salah satu kelemahan Tflearn adalah kurangnya model pra-pelatihan yang mudah diintegrasikan.
Sebenarnya ada begitu banyak jawaban untuk pertanyaan Anda di sini dan di sini dan saya mengutip beberapa di sini.
TensorFlow saat ini menjadi arus utama kerangka pembelajaran yang mendalam, mereka semua adalah pembungkus TF. Padahal, Keras dirilis pada usia Theano, dan karenanya mendapat dukungan yang baik dari pengguna Theano. Sementara TensorLayer dan TFLearn keduanya dirilis setelah TensorFlow. Alasan yang baik untuk memilih Keras adalah bahwa Anda dapat menggunakan backend TensorFlow tanpa benar-benar mempelajarinya. Plus Keras cenderung membungkus model ini secara mendalam, jadi Anda tidak perlu menganggap backend sebagai Theano atau TF, yang merupakan keuntungan besar dari Keras.
Tergantung pada apa yang ingin Anda lakukan, pembuatan prototipe cepat atau yang lainnya?
Keras: Banyak orang menggunakannya, mudah menemukan contoh di github. Cocok untuk pemula. Mampu berjalan di atas TensorFlow atau Theano. Tflearn: Mengapa tidak ada yang membahasnya? Ini juga merupakan perpustakaan terkenal, transparan di atas TensorFlow. Kecepatan lari tinggi. TensorLayer: Baru dirilis (Sep 2016), transparan di atas TensorFlow. Kecepatan lari tinggi. Mudah diperluas, cocok untuk profesional, tutorialnya mencakup semua implementasi modululer dari tutorial Google TensorFlow Deep Learning. TF-Silm: Baru rilis (Agu 2016) mirip dengan Tflearn, tetapi tidak ada lapisan RNN saat ini (Sep 2016).
Kerangka belajar mendalam terbaik adalah yang Anda tahu terbaik.