Quali sono i pro e i contro di Keras e TFLearn?

Quali sono i pro e i contro di Keras e TFlearn ? Quando si preferisce una libreria all'altra?

TFlearn è una libreria di apprendimento profondo modulare e trasparente costruita su Tensorflow. È stato progettato per fornire un'API di livello superiore a TensorFlow al fine di facilitare e accelerare le sperimentazioni, pur rimanendo completamente trasparente e compatibile con esso . Anche con TensorFlow, tuttavia, ci troviamo di fronte a una scelta del framework "front-end" da utilizzare. Dovremmo usare direttamente TensorFlow, o TF Learn, o Keras, o la nuova libreria TF-Slim rilasciata da Google all'interno di TensorFlow.

Keras è un'API di reti neurali di alto livello, scritta in Python e in grado di funzionare su TensorFlow, CNTK o Theano. È stato sviluppato con l'obiettivo di consentire una rapida sperimentazione. Essere in grado di passare dall'idea al risultato con il minor ritardo possibile è la chiave per fare una buona ricerca.

Dritto TensorFlowè veramente verboso mentre Kerase TfLearnentrambi sembrano solide, ma la TfLearnsintassi sembra un po 'più pulito. Uno svantaggio di Tflearn è la mancanza di modelli pre-addestrati facilmente integrati.

In realtà ci sono così tante risposte alla tua domanda qui e qui e ne cito alcune qui.

TensorFlow è attualmente il mainstream del framework di deep learning, sono tutti i wrapper di TF. Considerando che, Keras è stato rilasciato all'età di Theano e quindi con un buon supporto dagli utenti di Theano. Mentre TensorLayer e TFLearn sono entrambi rilasciati dopo TensorFlow. Un buon motivo per scegliere Keras è che potresti usare il backend TensorFlow senza impararlo. Inoltre Keras tende ad avvolgere profondamente il modello, quindi non è necessariamente necessario considerare il backend come Theano o TF, che è un grande vantaggio di Keras.

Dipende da cosa vuoi fare, dalla prototipazione veloce o da qualcos'altro?

Keras: Molte persone lo usano, facile da trovare esempi su Github. Adatto a principiante. Capace di correre su TensorFlow o Theano. Tflearn: Perché nessuno ne discute? È anche una famosa biblioteca, trasparente su TensorFlow. Alta velocità di marcia. TensorLayer: basta rilasciare (settembre 2016), trasparente su TensorFlow. Alta velocità di marcia. Facile da estendere, adatto a professionisti, il suo tutorial include tutta l'implementazione modulare del tutorial di Google TensorFlow Deep Learning. TF-Silm: basta rilasciare (agosto 2016) simile con Tflearn, ma nessun livello RNN al momento (settembre 2016).

Il miglior framework di deep learning è quello che conosci meglio.