TensorFlow的高层封装主要有4个：
第一个是TensorFlow-Slim；
第二个是tf.contrib.learn（之前也被称为skflow）；
第三个是TFLearn；
最后一个是Keras。
本文将大致介绍这几种不同的高层封装的使用方法，并通过其中常用的三种方式在MNIST数据集上实现卷积神经网络。
TensorFlow-Slim
TensorFlow-Slim是一个相对轻量级的TensorFlow高层封装。通过TensorFlow-Slim，定义网络结构的代码可以得到很大程度的简化，使得整个代码更加可读。下面的代码对比了使用原生态TensorFlow实现卷积层和使用TensorFlow-Slim实现卷积层的代码：
从上面的代码可以看出，使用TensorFlow-Slim可以大幅减少代码量。省去很多与网络结构无关的变量声明的代码。虽然TensorFlow-Slim可以起到简化代码的作用，但是在实际应用中，使用TensorFlow-Slim定义网络结构的情况相对较少，因为它既不如原生态TensorFlow的灵活，也不如下面将要介绍的其他高层封装简洁。但除了简化定义神经网络结构的代码量，使用TensorFlow-Slim的一个最大好处就是它直接实现了一些经典的卷积神经网络，并且Google提供了这些神经网络在ImageNet上训练好的模型。下表总结了通过TensorFlow-Slim可以直接实现的神经网络模型：
Google提供的训练好的模型可以在github上tensorflow/models/slim目录下找到。在该目录下也提供了迁移学习的案例和代码。
tf.contrib.learn
tf.contrib.learn是TensorFlow官方提供的另外一个对TensorFlow的高层封装，通过这个封装，用户可以和使用sklearn类似的方法使用TensorFlow。通过tf.contrib.learn训练模型时，需要使用一个Estimator对象。Estimator对象是tf.contrib.learn 进行模型训练（train/fit）和模型评估（evaluation）的入口。
tf.contrib.learn模型提供了一些预定义的 Estimator，例如线性回归（tf.contrib.learn.LinearRegressor）、逻辑回归（tf.contrib.learn.LogisticRegressor）、线性分类（tf.contrib.learn.LinearClassifier）以及一些完全由全连接层构成的深度神经网络回归或者分类模型（tf.contrib.learn.DNNClassifier、tf.contrib.learn.DNNRegressor）。
除了可以使用预先定义好的模型，tf.contrib.learn也支持自定义模型，下面的代码给出了使用tf.contrib.learn在MNIST数据集上实现卷积神经网络的过程。更多关于tf.contrib.learn的介绍可以参考Google官方文档。
（https://www.tensorflow.org/get_started/tflearn）
TFLearn
TensorFlow的另外一个高层封装TFLearn进一步简化了tf.contrib.learn中对模型定义的方法，并提供了一些更加简洁的方法来定义神经网络的结构。和上面两个高层封装不一样，使用TFLearn需要单独安装，安装的方法为：
pip install tflearn
下面的代码介绍了如何通过TFLearn来实现卷积神经网络。更多关于TFLearn的用法介绍可以参考TFLearn的官方网站（http://tflearn.org/）
运行上面的代码，可以得到类似如下的输出：
Keras
Keras是一个基于TensorFlow或者Theano的高层API。
下面的代码介绍了如何通过Keras来实现卷积神经网络。更多关于Keras的用法介绍可以参考Keras的官方网站（http://tflearn.org/）
运行上面的代码，可以得到类似如下的输出：
关注人工智能的落地实践，与企业一起探寻 AI 的边界，AICon 全球人工智能技术大会火热售票中，8 折倒计时一周抢票，详情点击：
《深入浅出TensorFlow》迷你书现已发布，关注公众号“AI前线”，ID：ai-front，回复关键字：TF，获取下载链接！
评论列表（0条）