这三个库主要比的是API设计水平，不得不说原始的 Tensorflow API的确反人类，我承认它的完善、表达能力强，性能好，但是接口设计对人类非常不友好。

这就给了做高层抽象API封装的生存空间，Keras Tensorlayer TFLearn 是目前比较成熟的几个库。

做个比喻，Tensorflow就像当年的 Win32 API，功能强大但是难以使用，随便做点小事情就要写很多代码，我清楚记得我写个显示空白窗口的程序就要40来行。

Tensorlayer比较像 WTL，把一些繁琐的代码封装成更容易使用的接口，但是仍然保留了对底层API调用的能力，抽象的层次不高，仍然可以看到底层的 数据结构和网络结构。比如 可以看到 Session和Placeholder等。

TFLearn比较像 MFC，抽象的层次更高，创造了自己的一套子语法，代码可读性更好，屏蔽了底层难以理解的东西。

Keras比较像 Qt，很高的抽象层次，甚至跨越了多个深度学习框架，完全看不到底层的细节了，甚至某些情况需要触碰底层的对象和数据反而非常麻烦。

不同的抽象层次带来不同的学习难度，适应不同的需求。

基本建议：

如果只是想玩玩深度学习，想快速上手 -- Keras

如果工作中需要解决内部问题，想快速见效果 -- TFLearn 或者 Tensorlayer

如果正式发布的产品和业务，自己设计网络模型，需要持续开发和维护 -- Tensorlayer

以上只是个人建议，具体情况因人而异。

本文转自张昺华-sky博客园博客，原文链接：http://www.cnblogs.com/bonelee/p/7903615.html，如需转载请自行联系原作者