TFLearn：为TensorFlow提供更高级别的API 的深度学习库
- 2019 年 10 月 4 日
- 筆記
【磐创AI 导读】：本文将会带大家了解TFLearn，欢迎大家转发、留言。
TFlearn是一个基于Tensorflow构建的模块化透明深度学习库。它旨在为TensorFlow提供更高级别的API，以促进和加速实验，同时保持完全透明并与之兼容。
TFLearn功能包括：
- 通过教程和示例，易于使用和理解用于实现深度神经网络的高级API。
- 通过高度模块化的内置神经网络层，正则化器，优化器，指标进行快速原型设计
- Tensorflow完全透明。所有功能都是通过张量构建的，可以独立于TFLearn使用。
- 强大的辅助功能，可以训练任何TensorFlow 图，支持多个输入，输出和优化器。
- 简单而美观的图形可视化，包含有关权重，梯度，激活等的详细信息。
- 轻松使用多个CPU / GPU的设备。
高级API目前支持大多数最近的深度学习模型，如Convolutions，LSTM，BiRNN，BatchNorm，PReLU，残留网络，生成网络……未来，TFLearn也将与最新版本保持同步最新的深度学习模型。
注意：最新的TFLearn（v0.3）仅与TensorFlow v1.0及更高版本兼容。
概览
＃分类
# Classification tflearn.init_graph(num_cores=8, gpu_memory_fraction=0.5) net = tflearn.input_data(shape=[None, 784]) net = tflearn.fully_connected(net, 64) net = tflearn.dropout(net, 0.5) net = tflearn.fully_connected(net, 10, activation='softmax') net = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy') model = tflearn.DNN(net) model.fit(X, Y)
＃序列生成
net = tflearn.input_data(shape=[None, 100, 5000]) net = tflearn.lstm(net, 64) net = tflearn.dropout(net, 0.5) net = tflearn.fully_connected(net, 5000, activation='softmax') net = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy') model = tflearn.SequenceGenerator(net, dictionary=idx, seq_maxlen=100) model.fit(X, Y) model.generate(50, temperature=1.0)
这里有更多的例子 http://tflearn.org/examples/。
TensorFlow安装
TFLearn需要安装Tensorflow（版本1.0+）。要安装TensorFlow，只需运行：
pip install tensorflow
或者，支持GPU：
pip install tensorflow-gpu
有关更多详细信息，请参阅TensorFlow安装说明。
TFLearn安装
要安装TFLearn，最简单的方法就是运行。对于前沿版本（推荐）：
pip install git + https://github.com/tflearn/tflearn.git
对于最新的稳定版本：
pip install tflearn
否则，您也可以通过运行（从源文件夹）从源安装：
python setup.py install
有关详细信息，请参阅“安装指南”。
入门
请参阅TFLearn入门，了解TFLearn基本功能或开始浏览TFLearn教程。 http://tflearn.org/getting_started/
例子
有许多可用的神经网络实现，请参见示例。 http://tflearn.org/examples/
文档
http://tflearn.org/doc_index
模型可视化
损失可视化
图层可视化
【1】tflearn：https://github.com/tflearn/tflearn
