TensorLayerX 是一个多后端人工智能框架，支持 TensorFlow、PyTorch、MindSpore、飞桨、OneFlow 和 Jittor 等作为后端，使用户能够在 NVIDIA GPU、华为昇腾、寒武纪等不同硬件上运行代码。
该项目由来自北京大学、鹏城实验室、香港科技大学、帝国理工学院、普林斯顿大学、牛津大学、斯坦福大学、清华大学和爱丁堡大学的研究人员维护。

• GitHub：https://github.com/tensorlayer/TensorLayerX
• OpenI：https://openi.pcl.ac.cn/OpenI/TensorLayerX
• 官网：英文 中文
• 文档：https://tensorlayerx.readthedocs.io
• 上一项目：https://github.com/tensorlayer/TensorLayer

深度学习课程

我们提供基于 TensorLayerX 的示例代码的深度学习视频课程。
Bilibili 链接（中文）

设计特点

• 兼容性：支持全球主流框架和 AI 芯片，实现“一次编写，处处运行”。

• 模型库：提供一系列包含经典及 SOTA 模型的应用，涵盖计算机视觉、自然语言处理、强化学习等领域。

• 部署：支持 ONNX 协议，可进行模型导出、导入与部署。

多后端设计

您可以立即使用 TensorLayerX 以 PyTorch 风格定义模型，并轻松切换至任何后端。

import os
os.environ['TL_BACKEND'] = 'tensorflow' # 修改这一行，即可轻松切换到任意后端！
#os.environ['TL_BACKEND'] = 'mindspore'
#os.environ['TL_BACKEND'] = 'paddle'
#os.environ['TL_BACKEND'] = 'torch'
import tensorlayerx as tlx
from tensorlayerx.nn import Module
from tensorlayerx.nn import Linear
class CustomModel(Module):

  def __init__(self):
      super(CustomModel, self).__init__()

      self.linear1 = Linear(out_features=800, act=tlx.ReLU, in_features=784)
      self.linear2 = Linear(out_features=800, act=tlx.ReLU, in_features=800)
      self.linear3 = Linear(out_features=10, act=None, in_features=800)

  def forward(self, x, foo=False):
      z = self.linear1(x)
      z = self.linear2(z)
      out = self.linear3(z)
      if foo:
          out = tlx.softmax(out)
      return out

MLP = CustomModel()
MLP.set_eval()

快速入门

通过以下示例快速上手 TensorLayerX：

• MNIST 数字识别：使用 MNIST 数据集训练一个简单的多层感知机（MLP）模型进行数字识别。可以选择简单训练方法或自定义循环。示例见：mnist_mlp_simple_train.py 和 mnist_mlp_custom_train.py。

• CIFAR-10 数据流：学习如何使用 CIFAR-10 数据集创建数据集、处理图像并利用 DataLoader 加载数据。示例见：cifar10_cnn.py。

• MNIST GAN 训练：在 MNIST 数据集上训练生成对抗网络（GAN）。示例见：mnist_gan.py。

• MNIST 混合编程：将 TensorLayerX 代码与其他深度学习库（如 TensorFlow、PyTorch、飞桨和 MindSpore）混合使用，以在 MNIST 数据集上运行。示例见：mnist_mlp_mix_programming.py。

资源

• 教程示例：https://github.com/tensorlayer/TensorLayerX/tree/main/examples
• GammaGL 是一系列图学习算法。
• TLXZoo 是一系列预训练骨干网络。
• TLXCV 是一系列计算机视觉应用。
• TLXNLP 是一系列自然语言处理应用。
• TLX2ONNX 是 TensorLayerX 的 ONNX 模型导出工具。
• Paddle2TLX 是将飞桨模型转换为 TensorLayerX 的工具。

更多官方资源请访问 此处

安装

• 最新版本的 TensorLayerX 与以下后端版本兼容：

TensorLayerX	TensorFlow	MindSpore	PaddlePaddle	PyTorch	OneFlow	Jittor
v0.5.8	v2.4.0	v1.8.1	v2.2.0	v1.10.0	最新	v1.3.8.5
v0.5.7	v2.0.0	v1.6.1	v2.0.2	v1.10.0	最新	--

• 通过 pip 安装稳定版：

# 从 PyPI 安装
pip3 install tensorlayerx 

• 对于高级用户，可从源码构建最新版本：

# 从 GitHub 安装
pip3 install git+https://github.com/tensorlayer/tensorlayerx.git 

更多安装说明，请参阅 安装

• 通过 Docker

Docker 是一个开源的应用容器引擎。在 TensorLayerX Docker 仓库 中，不同版本的 TensorLayerX 已被安装到 Docker 镜像中。

# 从 Docker Hub 拉取镜像
docker pull tensorlayer/tensorlayerx:tagname

贡献

TensorLayerX 正在不断发展中，我们欢迎社区的贡献！如果您想贡献代码或帮助改进该库，请查看我们的 待办事项列表 并遵循我们的 贡献指南。

参与方式

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

联系方式

• tensorlayer@gmail.com

引用

如果您发现 TensorLayerX 对您的项目有所帮助，请引用以下论文：

@inproceedings{tensorlayer2021,
  title={TensorLayer 3.0：一个兼容多种后端的深度学习库},
  author={Lai, Cheng 和 Han, Jiarong 和 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}
}
@article{tensorlayer2017,
    author  = {Dong, Hao 和 Supratak, Akara 和 Mai, Luo 和 Liu, Fangde 和 Oehmichen, Axel 和 Yu, Simiao 和 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}
} 

TensorLayerX 快速上手指南

TensorLayerX 是一个支持多后端的 AI 框架，允许用户使用同一套代码在 TensorFlow、PyTorch、MindSpore、PaddlePaddle、OneFlow 和 Jittor 等不同后端之间无缝切换，并适配 Nvidia GPU、华为昇腾、寒武纪等多种硬件。

1. 环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux, macOS, Windows
• Python 版本：建议 Python 3.7 - 3.9
• 后端依赖：根据您的选择，需预先安装对应的深度学习框架（或安装 TensorLayerX 时自动处理兼容版本）。

推荐的后端版本兼容性参考：

TensorLayerX	TensorFlow	MindSpore	PaddlePaddle	PyTorch	OneFlow	Jittor
v0.5.8	v2.4.0	v1.8.1	v2.2.0	v1.10.0	latest	v1.3.8.5

提示：国内用户建议使用清华源或阿里源加速 pip 安装过程。

2. 安装步骤

您可以选择通过 pip 安装稳定版，或从源码安装最新版。

方式一：通过 pip 安装（推荐）

# 使用国内镜像源加速安装
pip3 install tensorlayerx -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：从源码安装（适合高级用户）

如果您需要体验最新功能，可以从 GitHub 直接安装：

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

方式三：使用 Docker

TensorLayerX 提供了预装好环境的 Docker 镜像：

docker pull tensorlayer/tensorlayerx:latest

3. 基本使用

TensorLayerX 的核心优势在于一次编写，多后端运行。只需设置环境变量 TL_BACKEND，即可轻松切换底层框架。

以下是一个构建简单多层感知机（MLP）的示例：

import os

# 核心步骤：设置后端，可随意切换为 'tensorflow', 'mindspore', 'paddle', 'torch', 'oneflow', 'jittor'
os.environ['TL_BACKEND'] = 'tensorflow' 

import tensorlayerx as tlx
from tensorlayerx.nn import Module
from tensorlayerx.nn import Linear

class CustomModel(Module):

  def __init__(self):
      super(CustomModel, self).__init__()

      # 定义网络层
      self.linear1 = Linear(out_features=800, act=tlx.ReLU, in_features=784)
      self.linear2 = Linear(out_features=800, act=tlx.ReLU, in_features=800)
      self.linear3 = Linear(out_features=10, act=None, in_features=800)

  def forward(self, x, foo=False):
      z = self.linear1(x)
      z = self.linear2(z)
      out = self.linear3(z)
      if foo:
          out = tlx.softmax(out)
      return out

# 实例化模型
MLP = CustomModel()
MLP.set_eval()

print("模型创建成功，当前后端为:", os.environ['TL_BACKEND'])

下一步建议：

• 访问 官方文档 查看 MNIST、CIFAR-10 及 GAN 等完整教程。
• 浏览 TLXZoo 获取预训练模型。
• 观看 Bilibili 深度学习课程 学习更多实战案例。