Respuestas:
TFlearn es una biblioteca de aprendizaje profundo modular y transparente construida sobre Tensorflow. Fue diseñado para proporcionar una API de nivel superior a TensorFlow con el fin de facilitar y acelerar los experimentos, sin dejar de ser totalmente transparente y compatible con él . Sin embargo, incluso con TensorFlow, nos enfrentamos a la elección de qué marco "front-end" utilizar. ¿Deberíamos usar TensorFlow directo, o TF Learn, o Keras, o la nueva biblioteca TF-Slim que Google lanzó dentro de TensorFlow?
Keras es una API de redes neuronales de alto nivel, escrita en Python y capaz de ejecutarse sobre TensorFlow, CNTK o Theano. Fue desarrollado con un enfoque en permitir la experimentación rápida. Poder pasar de la idea al resultado con el menor retraso posible es clave para hacer una buena investigación.
Straight TensorFlowes realmente detallado Kerasy TfLearnambos parecen sólidos, pero la TfLearnsintaxis parece un poco más limpia. Una desventaja de Tflearn es la falta de modelos pre-entrenados fácilmente integrados.
En realidad, hay tantas respuestas para su pregunta aquí y aquí y cito algunas de ellas aquí.
TensorFlow es actualmente la corriente principal del marco de aprendizaje profundo, todos son el contenedor de TF. Mientras que Keras fue lanzado a la edad de Theano y, por lo tanto, tiene un buen apoyo de los usuarios de Theano. Mientras que TensorLayer y TFLearn se lanzan después de TensorFlow. Una buena razón para elegir Keras es que podría usar el backend TensorFlow sin aprenderlo realmente. Además, Keras tiende a envolver el modelo profundamente, por lo que no necesariamente necesita considerar que el backend sea Theano o TF, que es una gran ventaja de Keras.
¿Depende de lo que quieras hacer, la creación rápida de prototipos o algo más?
Keras: Mucha gente lo está usando, es fácil encontrar ejemplos en github. Apto para principiantes. Capaz de ejecutarse sobre TensorFlow o Theano. Tflearn: ¿Por qué nadie lo discute? También es una biblioteca famosa, transparente sobre TensorFlow. Alta velocidad de carrera. TensorLayer: solo lanzamiento (septiembre de 2016), transparente sobre TensorFlow. Alta velocidad de carrera. Fácil de extender, adecuado para profesionales, su tutorial incluye toda la implementación modularizada del tutorial Google TensorFlow Deep Learning. TF-Silm: Solo lanzamiento (agosto de 2016) similar con Tflearn, pero no hay capa RNN en este momento (septiembre de 2016).
El mejor marco de aprendizaje profundo es el que mejor conoces.