回答:
TFlearnは、Tensorflowの上に構築されたモジュール式の透過的な深層学習ライブラリです。TensorFlowに高レベルのAPIを提供し、完全に透過的で互換性を維持しながら、実験を容易にし、高速化するように設計されました。ただし、TensorFlowを使用しても、使用する「フロントエンド」フレームワークの選択に直面します。ストレートTensorFlow、TF Learn、Keras、またはGoogleがTensorFlow内でリリースした新しいTF-Slimライブラリを使用する必要があります。
Kerasは高レベルのニューラルネットワークAPIで、Pythonで記述されており、TensorFlow、CNTK、またはTheanoの上で実行できます。高速な実験を可能にすることに重点を置いて開発されました。優れた研究を行うには、アイデアから可能な限り少ない遅延で結果に到達できることが重要です。
ストレートTensorFlowは本当に冗長ですがKeras、TfLearnどちらも堅実に見えTfLearnますが、構文は少し簡潔に見えます。Tflearnの欠点の1つは、事前に訓練されたモデルを簡単に統合できないことです。
実際、こことここの質問には非常に多くの答えがあります。それらのいくつかをここで引用します。
TensorFlowは現在、ディープラーニングフレームワークの主流であり、すべてTFのラッパーです。一方、KerasはTheanoの年齢でリリースされたため、Theanoのユーザーからの良いサポートを得ています。TensorLayerとTFLearnはどちらもTensorFlowの後にリリースされます。Kerasを選択する正当な理由は、実際に学習せずにTensorFlowバックエンドを使用できることです。さらに、Kerasはモデルを深くラップする傾向があるため、必ずしもバックエンドをTheanoまたはTFであると考える必要はありません。これはKerasの大きな利点です。
それは何をしたいか、高速プロトタイピング、または他の何かに依存しますか？
Keras：多くの人がそれを使用しています。githubで簡単にサンプルを見つけることができます。初心者に適しています。TensorFlowまたはTheanoの上で実行できます。Tflearn：なぜ誰もそれについて議論しないのですか？また、TensorFlowに対して透過的な有名なライブラリです。高速走行。TensorLayer：リリース（2016年9月）、TensorFlowに対して透過的。高速走行。簡単に拡張でき、専門家に適したこのチュートリアルには、Google TensorFlow Deep Learningチュートリアルのモジュール化された実装がすべて含まれています。TF-Silm：Tflearnと同様のリリース（2016年8月）ですが、現時点ではRNNレイヤーはありません（2016年9月）。
最高の深層学習フレームワークは、あなたが最もよく知っているものです。