Python深度学习之TensorFlow的高级框架

引言

得益于TensorFlow社区的繁荣，诞生出许多高质量的原框架，如Keras、TFLearn、TensorLayer等。使用元框架能够大大减少编写TensorFlow代码的工作量，方便开发者快速搭建网络模型，并且使代码简单，可读性强。

TFLearn

TFLearn是一个建立在TensorFlow顶部的模块化的深度学习框架，它为TensorFlow提供更加高级的API，以便于快速实验，同时保持完全透明和兼容。

加载数据

这里我们使用的是牛津大学的鲜花数据集（Flower DataSet）。这个数据集提供了17个类别的鲜花数据，每个类别80张图片，并且图片有大量的姿态和光的变化。

注意，在代码的开始需要导入用到的与卷积、池化、规范化相关的类，方法如下：

构建网络模型

构建AlexNet网络模型时，直接使用TFLearn中的卷积、池化、规范化、全连接、dropout函数来构建即可。方法如下：

训练模型

构建完模型之后，就可以训练模型了。这里我们加了一步，就是假设有训练好或训练到一半的AlexNet模型的检查点文件，直接载入，方法如下：

可见，代码十分简单，这就是使用第三方库的优点。

Keras

Keras是一个高级的Python神经网络框架。Keras已经被添加到TensorFlow中，成为其默认的框架，为TensorFlow提供更加高级的API。

如果大家在学习中不想了解TensorFlow的细节，只需要模块化，那么Keras是一个不错的选择。如果将TensorFlow比喻为编程界的C++和Java，那么Keras就可以认为是Python。它作为TensorFlow的高级封装，可以与TensorFlow联合使用，用它快速搭建原型。

另外，Keras 兼容两种后端，即Theano和TensorFlow，并且其接口形式和Torch有几分相似。掌握Keras可以大幅度提高我们的开发效率和对网络结果的理解。

Keras的优点

Keras是高度封装的，非常适合新手使用，代码更新速度非常快，示例代码也比较多，文档和讨论区也是比较完善的。最重要的是，Keras是TensorFlow官方支持的。当机器上有可用的GPU时，代码会自动调用GPU进行并行计算。

Keras的优点具体如下：

1.模块化：模型的各个部分，如神经层、成本函数、优化器、初始化、激活函数、规范化都是独立的模块，可以组合在一起创建模型。

2.极简主义：每个模块都保持简短和简单。

3.易扩展性：很容易添加新模块，因此Keras适用于做进一步的高级研究。

4.使用Python语言：模型用Python实现，非常易于调试和扩展。