Question

如何比较Keras，TensorLayer，TFLearn

Answer 1

首先它们都是把神经网络抽象成不同的Layer，以便用户自定义网络。

Keras
优点：Theano时代就推出了，使用者较多，有个人维护的中文文档，虽然更新很慢。纯scikit-learn式编程，隐藏了数据流的细节，数据流没有叙述的很清楚，到目前为止，并没有理解keras的时间数据输入方式...
缺点：运行TensorFlow时很慢，拓展性差（国外测评说是因为 Keras 最开始只是为了 Theano 而开发的，TensorFlow发布后才写支持TensorFlow的代码，所以为了兼容牺牲了效率）。不适合科研单位和企业，换句话说毕业以后要重新学另外一个框架..... 复杂的情况会出现error，这时候调试只能靠运气了。。

TensorLayer
优点：对学术界的优势是灵活性很强，甚至可以很简单地实现动态网络结构（Neural Modular Network）.... 对工业界的优势是运行速度快。教程很强大，还包含了 Google TensorFlow 官网的模块化实现。同时提供scikit-learn式的API，和专业级的API，适合新手到老手过渡。
缺点：刚刚推出（16年8月份）使用者少，但我发现中文使用者不少，有很多微信群、qq群可以交流，有可能和TL官方推出中文文档有关。

Tflearn
优点：不像Keras那样兼容两种后端，所以效率比 Keras 快，但根据国外测评还是比 TensorLayer慢一些。
缺点：维护不好，作者居然在github issues那里说 “有时间再实现 seq2seq”，我晕... 有对话为证Seq2Seq Machine Translation · Issue #120 · tflearn/tflearn · GitHub

国外对 TensorLayer 和 Keras 比较的结论基本是企业界和学术界使用 TensorLayer+TensorFlow 搭配，学生使用Keras（若未来想从事机器学习的工作，我个人建议还是好好看下TensorFlow吧）。

个人观点：学习 TensorFlow 是一个大趋势，题主提到的库都是基于 TensorFlow 开发的，选择一个库非常关键。若想熟练掌握深度学习，不妨先学习下 TensorFlow 本身