请点击TensorLayerX 🔥🔥🔥

TensorLayer 是一款基于 TensorFlow 的新型深度学习和强化学习库，专为研究人员和工程师设计。它提供了一系列可定制的神经网络层，帮助用户快速构建先进的 AI 模型。在此基础上，社区开源了大量的教程和应用。TensorLayer 曾荣获 ACM 多媒体协会颁发的 2017 年度最佳开源软件奖（推文链接）。该项目也可在 OpenI 和 Gitee 上找到。

新闻

• 🔥 TensorLayerX 是一个适用于所有硬件、后端和操作系统的统一深度学习与强化学习框架。当前版本支持 TensorFlow、PyTorch、MindSpore、PaddlePaddle、OneFlow 和 Jittor 等后端，允许用户在 Nvidia-GPU 和 Huawei-Ascend 等不同硬件上运行代码。
• TensorLayer 现已在 OpenI 上发布。
• 强化学习动物园：提供面向专业使用的低级 API，以及面向简单使用的高级 API，并配套出版了施普林格教材。
• Sipeed Maxi-EMC：可在低成本 AI 芯片（如 K210）上运行 TensorLayer 模型（Alpha 版本）。

设计特点

TensorLayer 是一款以简洁、灵活和高性能为核心设计理念的新式深度学习库。

• 简洁性：TensorLayer 提供了易于掌握的高层层/模型抽象。通过丰富的示例，您可以在几分钟内了解深度学习如何助力您的 AI 任务。
• 灵活性：受新兴的 PyTorch 库启发，TensorLayer 的 API 设计透明且灵活。与 Keras 抽象相比，TensorLayer 更容易用于构建和训练复杂的 AI 模型。
• 零成本抽象：尽管使用简便，TensorLayer 并不会牺牲 TensorFlow 的性能（更多细节请参阅下方的基准测试部分）。

TensorLayer 在 TensorFlow 封装库中占据着独特的位置。与其他封装库（如 Keras 和 TFLearn）不同，TensorLayer 并未隐藏 TensorFlow 的许多强大功能，反而为编写自定义 AI 模型提供了充分支持。受 PyTorch 启发，TensorLayer 的 API 简洁、灵活且符合 Python 风格，既易于学习，又能应对复杂的 AI 任务。

TensorLayer 拥有一个快速发展的社区，已被全球各地的研究人员和工程师广泛使用，其中包括来自北京大学、伦敦帝国学院、加州大学伯克利分校、卡内基梅隆大学、斯坦福大学等高校，以及谷歌、微软、阿里巴巴、腾讯、小米、彭博社等公司的专业人士。

多语言文档

TensorLayer 为初学者和专业人士都提供了详尽的文档，支持英语和中文两种语言。

如果您想尝试主分支上的实验性功能，可以在这里找到最新文档：

此处。

丰富的示例

您可以在这里以及以下空间中找到大量使用 TensorLayer 的示例：

开始使用

TensorLayer 2.0 依赖于 TensorFlow、numpy 等。若要使用 GPU，还需要安装 CUDA 和 cuDNN。

安装 TensorFlow：

pip3 install tensorflow-gpu==2.0.0-rc1 # TensorFlow GPU（版本 2.0 RC1）
pip3 install tensorflow # CPU 版本

安装 TensorLayer 的稳定版：

pip3 install tensorlayer

安装 TensorLayer 的开发版：

pip3 install git+https://github.com/tensorlayer/tensorlayer.git

如果需要安装额外的依赖项，还可以运行以下命令：

pip3 install --upgrade tensorlayer[all]              # 所有额外依赖项
pip3 install --upgrade tensorlayer[extra]            # 仅 `extra` 依赖项
pip3 install --upgrade tensorlayer[contrib_loggers]  # 仅 `contrib_loggers` 依赖项

如果您是 TensorFlow 1.X 的用户，可以使用 TensorLayer 1.11.0：

# 对于 TensorLayer 1.X 的最新稳定版本
pip3 install --upgrade tensorlayer==1.11.0

性能基准测试

下表展示了在 TITAN Xp 上，使用 TensorLayer 和原生 TensorFlow 训练 VGG16 的速度对比。

模式	库	数据格式	最大 GPU 内存占用(MB)	最大 CPU 内存占用(MB)	平均 CPU 内存占用(MB)	运行时间 (秒)
AutoGraph	TensorFlow 2.0	channel last	11833	2161	2136	74
	TensorLayer 2.0	channel last	11833	2187	2169	76
Graph	Keras	channel last	8677	2580	2576	101
Eager	TensorFlow 2.0	channel last	8723	2052	2024	97
	TensorLayer 2.0	channel last	8723	2010	2007	95

参与贡献

请在提交 PR 之前阅读 贡献者指南。

我们建议用户通过 Github Issues 报告问题。您也可以在以下 Slack 频道中讨论如何使用 TensorLayer。

引用 TensorLayer

如果您觉得 TensorLayer 对您的项目有所帮助，请引用以下论文：

@article{tensorlayer2017,
    author  = {Dong, Hao and Supratak, Akara and Mai, Luo and Liu, Fangde and Oehmichen, Axel and Yu, Simiao and Guo, Yike},
    journal = {ACM Multimedia},
    title   = {{TensorLayer: 一个用于高效深度学习开发的多功能库}},
    url     = {http://tensorlayer.org},
    year    = {2017}
}

@inproceedings{tensorlayer2021,
  title={Tensorlayer 3.0: 一个兼容多种后端的深度学习库},
  author={Lai, Cheng and Han, Jiarong and Dong, Hao},
  booktitle={2021 IEEE 国际多媒体与博览会研讨会 (ICMEW)},
  pages={1--3},
  year={2021},
  organization={IEEE}
}

TensorLayer 快速上手指南

TensorLayer 是一个基于 TensorFlow 构建的新型深度学习与强化学习库，专为研究人员和工程师设计。它以简洁、灵活和高性能著称，提供了丰富的可定制神经网络层，帮助用户快速构建高级 AI 模型。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：推荐 Python 3.6+
• 核心依赖：
  • TensorFlow 2.0.0 或更高版本
  • NumPy
• GPU 加速（可选）：如需使用 GPU 进行训练，需安装 CUDA 和 cuDNN。

安装步骤

您可以选择通过 pip 直接安装稳定版，或从源码安装开发版。国内用户建议使用清华源或阿里源以加速下载。

1. 安装 TensorFlow

首先安装后端依赖 TensorFlow。

# 安装 GPU 版本 (需预先配置好 CUDA/cuDNN)
pip3 install tensorflow-gpu==2.0.0-rc1 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 或者安装 CPU 版本
pip3 install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装 TensorLayer

安装稳定发布版：

pip3 install tensorlayer -i https://pypi.tuna.tsinghua.edu.cn/simple

安装开发版（包含最新功能）：

pip3 install git+https://github.com/tensorlayer/tensorlayer.git

安装额外依赖（可选）：

# 安装所有额外依赖
pip3 install --upgrade tensorlayer[all] -i https://pypi.tuna.tsinghua.edu.cn/simple

# 仅安装 extra 依赖
pip3 install --upgrade tensorlayer[extra] -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：如果您仍在使用 TensorFlow 1.X，请安装 TensorLayer 1.11.0 版本： pip3 install --upgrade tensorlayer==1.11.0

基本使用

TensorLayer 的 API 设计透明且灵活，类似于 PyTorch 的风格，易于上手。以下是一个最简单的全连接网络构建示例：

import tensorflow as tf
import tensorlayer as tl

# 定义输入占位符
x = tf.placeholder(tf.float32, shape=[None, 784], name='x')
y_ = tf.placeholder(tf.int64, shape=[None], name='y_')

# 构建网络
net = tl.layers.InputLayer(x, name='input_layer')
net = tl.layers.DenseLayer(net, n_units=800, act=tf.nn.relu, name='relu1')
net = tl.layers.DropoutLayer(net, keep=0.8, name='drop1')
net = tl.layers.DenseLayer(net, n_units=10, act=tf.identity, name='output_layer')

# 定义损失函数和优化器
ce = tf.reduce_mean(tf.losses.sparse_softmax_cross_entropy(labels=y_, logits=net.outputs))
train_op = tf.train.AdamOptimizer(learning_rate=0.0001).minimize(ce)

# 初始化变量并启动会话
with tf.Session() as sess:
    tl.layers.initialize_global_variables(sess)
    
    # 此处可添加训练循环代码
    # for epoch in range(n_epoch):
    #     ...
    print("Model built successfully!")

更多详细示例和教程（包括强化学习、计算机视觉等）请访问 TensorLayer 官方示例库。