从tensorflow到tflearn/keras：框架比较

Posted 2021-04-24 AI量化实验室

这个问题，说实话，纠结、反复很久。唯一的办法就是每个框架都深入使用一下。除了需要较多的时间和精力，当然是有很多好处的。

框架没有好与坏，对与错，存在即合理，只有合适不合适。而合适还是不合适，主要看场景与目的。网上有一个不错的总结，和我这段时间的观察分析暗合：

1，tensorflow是个好框架，无论从功能，扩展性，性能，维护，社区都很好。但有一个问题，就是面向开发的API实在是太繁琐了，对于新人，学习曲线就很陡峭。由于太灵活了，示例程序也是一个人一个写法。好比当年windows程序开发里的Win32 API，功能虽然强大，但随便写一个窗口，就得一堆代码，需要自己处理消息循环，自己绘图等。这里其实大部分是模板代码。当然作为底层框架，无可厚非。

2，tensorlayer，看文档和介绍应该是在美帝的中国留学生创立。这里比作WTL,做了底层模板代码的封装，但依旧很底层，到处可见placeholde和session。

3，tflearn，据说是陌陌工作的一个老外创立。相当于MFC框架吧，话说MFC是当年windows开发最流行的UI框架了吧，一般VC++的人是先了解的MFC，然后很少部分人会需要接触到win32API。

4，而keras，则类比为QT。与系统平台无关了，一开始是theano，后来Tensorflow，然后CNTK。这个层次的封装，自然要碰底层的数据结构是不容易的。尽管keras号称容易扩展，与原生tensorflow相容。但读代码是较需要耐心的,毕竟中间多了好几层。

综上比如，就像当年开发QQ一样，最早我们用的是MFC。后来应该到了WTL的层面，自己开发皮肤引擎。

综合比较而言，如果是较新手，即想快速上手深度学习，又兼顾未来的扩展性，同时跨各种框架不是刚需的话，显然tflearn是合适的。

另外自己的一个观感就是如果要使用tersorlayer，还不如直接使用tensorflow，然后自己封装一些模块，也不是很难，只是时间代价的问题。对tl了解不多，感觉有时候他们写出来比原生的tf还复杂。

如果不是学术研究，而只是工业应用的话，模型基本上是确定的套路。深度学习之于图像识别问题，预处理相当简单，一般就是像素点的矩阵[长，宽，通道]，也比较好理解。但对于NLP（自然语言处理）这个领域而言，文本是需要预处理的，这里算不算特征提取，看到过有人混着用，比如用了词的tfidf，不是不可以，但其实就是扔掉了词本身的位置信息，这自然不是深度学习的强项，直接用SVM更合适。

扫描下方二维码，关注：AI量化实验室（ailabx），了解AI量化最前沿技术、资讯。