TensorLayer是一个基于TensorFlow的新型深度学习和强化学习库，专为研究人员和工程师而设计。它提供了大量可自定义的神经层/功能，这些是构建真实AI应用程序的关键。TensorLayer被ACM多媒体协会授予2017年最佳开源软件。
作为深度学习从业者，我们一直在寻找可以满足各种开发目的的库。通过提供各种示例，教程和预先训练的模型，可以轻松采用该库。此外，它允许用户轻松微调TensorFlow;同时适合生产部署。TensorLayer旨在满足所有这些目的。它有三个主要特点：
简单性：TensorLayer将TensorFlow的低级数据流接口提升到高级层/模型。通过广泛社区提供的丰富示例代码，您可以轻松学习。灵活性：TensorLayerAPI是透明的：它不会屏蔽用户的TensorFlow;但留下大量的钩子，有助于低级调整和深度定制。零成本抽象：TensorLayer可以实现TensorFlow的全部功能。下表显示了使用TensorLayer和TITANXp上的原生TensorFlow的VGG16的训练速度。ModeLibDataFormatMaxGPUMemoryUsage(MB)MaxCPUMemoryUsage(MB)AvgCPUMemoryUsage(MB)Runtime(sec)AutoGraphTensorFlow2.0channellast118332161213674 Tensorlayer2.0channellast118332187216976GraphKeraschannellast867725802576101EagerTensorFlow2.0channellast87232052202497 TensorLayer2.0channellast87232010200795TensorLayer是作为一个开发库来使用的。 其他包装库如Keras和TFLearn也提供高级抽象。然而，它们经常隐藏用户的底层引擎，这使得它们难以定制和微调。相反，TensorLayerAPI通常是轻量级，灵活且透明的。用户经常会发现从示例和教程开始很容易，然后无缝地深入了解TensorFlow。此外，TensorLayer不会通过本机支持创建库锁定，以便从Keras导入组件。
TensorLayer在北京大学，伦敦帝国理工学院，加州大学伯克利分校，卡内基梅隆大学，斯坦福大学，康涅狄格大学（UTC）以及谷歌，微软，阿里巴巴等公司等顶尖研究人员和工程师中的使用增长迅速。
模型定义：静态模型：
importtensorflowastffromtensorlayer.layersimportInput,Dropout,Densefromtensorlayer.modelsimportModeldefget_model(inputs_shape):ni=Input(inputs_shape)nn=Dropout(keep=0.8)(ni)nn=Dense(n_units=800,act=tf.nn.relu,name="dense1")(nn)nn=Dropout(keep=0.8)(nn)nn=Dense(n_units=800,act=tf.nn.relu)(nn)nn=Dropout(keep=0.8)(nn)nn=Dense(n_units=10,act=tf.nn.relu)(nn)M=Model(inputs=ni,outputs=nn,name="mlp")returnMMLP=get_model([None,784])MLP.eval()outputs=MLP(data)动态模型：
classCustomModel(Model):def__init__(self):super(CustomModel,self).__init__()self.dropout1=Dropout(keep=0.8)self.dense1=Dense(n_units=800,act=tf.nn.relu,in_channels=784)self.dropout2=Dropout(keep=0.8)#(self.dense1)self.dense2=Dense(n_units=800,act=tf.nn.relu,in_channels=800)self.dropout3=Dropout(keep=0.8)#(self.dense2)self.dense3=Dense(n_units=10,act=tf.nn.relu,in_channels=800)defforward(self,x,foo=False):z=self.dropout1(x)z=self.dense1(z)z=self.dropout2(z)z=self.dense2(z)z=self.dropout3(z)out=self.dense3(z)iffoo:out=tf.nn.relu(out)returnoutMLP=CustomModel()MLP.eval()outputs=MLP(data,foo=True)#controlstheforwardhereoutputs=MLP(data,foo=False)
评论