本文介绍了TensorFlow的高级框架，包括TFLearn和Keras。TFLearn提供了一个简化版的深度学习API，使得代码更简洁。Keras则是高度封装的神经网络框架，适合快速搭建原型，且被TensorFlow官方支持。Keras具有模块化、易扩展和使用Python语言等优点。文章通过实例展示了如何在TFLearn和Keras中构建、训练和加载模型。
第7章 TensorFlow的高级框架
得益于TensorFlow社区的繁荣，诞生出许多高质量的元框架（metaframework），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。
本章我们主要讲解官方默认支持的Keras和老牌的TFLearn提供的高级API。
7.1 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提供更高级的API，以便于快速实验，同时保持完全透明和兼容。
在6.2节中我们已经用原生的TensorFlow代码完成了AlexNet。读者可能已经感受到其代码的冗长，下面我们就用TFLearn框架，看看如何将代码写得简洁。[1]
7.1.1 加载数据
这里用的是牛津大学的鲜花数据集[2]（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&#
订阅专栏 解锁全文
扫一扫
412
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
