TFLearn：一个具有更高层次 API 的深度学习库，专为 TensorFlow 设计。

TFLearn 是一个基于 TensorFlow 构建的模块化且透明的深度学习库。它旨在为 TensorFlow 提供更高层次的 API，以简化和加速实验过程，同时保持完全透明并与 TensorFlow 完全兼容。

TFLearn 的主要特性包括：

• 易于使用和理解的高级 API，用于实现深度神经网络，并配有教程和示例。
• 通过高度模块化的内置神经网络层、正则化器、优化器、指标等，实现快速原型设计。
• 对 TensorFlow 的完全透明性。所有函数都基于张量构建，可以独立于 TFLearn 使用。
• 强大的辅助函数，用于训练任何 TensorFlow 图，并支持多输入、多输出和多种优化器。
• 简单美观的图可视化功能，可显示权重、梯度、激活值等详细信息。
• 轻松实现多 CPU/GPU 设备的自动分配。

目前，高级 API 支持大多数最新的深度学习模型，例如卷积神经网络、LSTM、BiRNN、批归一化、PReLU、残差网络、生成对抗网络等。未来，TFLearn 还将继续紧跟最新的深度学习技术发展。

注意：最新版 TFLearn（v0.5）仅兼容 TensorFlow v2.0 及以上版本。

概述

# 分类任务
tflearn.init_graph(num_cores=8, gpu_memory_fraction=0.5)

net = tflearn.input_data(shape=[None, 784])
net = tflearn.fully_connected(net, 64)
net = tflearn.dropout(net, 0.5)
net = tflearn.fully_connected(net, 10, activation='softmax')
net = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy')

model = tflearn.DNN(net)
model.fit(X, Y)

# 序列生成任务
net = tflearn.input_data(shape=[None, 100, 5000])
net = tflearn.lstm(net, 64)
net = tflearn.dropout(net, 0.5)
net = tflearn.fully_connected(net, 5000, activation='softmax')
net = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy')

model = tflearn.SequenceGenerator(net, dictionary=idx, seq_maxlen=100)
model.fit(X, Y)
model.generate(50, temperature=1.0)

更多示例请参见 这里。

兼容性

TFLearn 基于原始的 TensorFlow v1 图 API。使用 TFLearn 时，请确保以以下方式导入 TensorFlow：

import tflearn
import tensorflow.compat.v1 as tf

安装

TensorFlow 安装

TFLearn 需要安装 TensorFlow（版本 2.0 及以上）。

安装 TensorFlow 的命令如下：

pip install tensorflow

或者，如果需要 GPU 支持：

pip install tensorflow-gpu

更多详情请参阅 TensorFlow 安装说明。

TFLearn 安装

安装 TFLearn 最简单的方式是运行：

对于最新开发版本（推荐）：

pip install git+https://github.com/tflearn/tflearn.git

对于最新稳定版本：

pip install tflearn

此外，您也可以从源代码进行安装，方法是在源代码目录下运行：

python setup.py install

• 更多详细信息请参阅 安装指南。

快速入门

请参阅 TFLearn 快速入门，了解 TFLearn 的基本功能，或浏览 TFLearn 教程。

示例

有许多神经网络实现可供参考，请参阅 示例。

文档

http://tflearn.org/doc_index

模型可视化

图结构

损失与准确率（多次运行）

各层可视化

贡献

这是 TFLearn 的首个发布版本，如果您发现任何问题，请在 GitHub 的 Issues 栏目中提交报告。

我们非常欢迎改进意见和新功能请求！请随时对 TFLearn 进行修改和调整，并提交 Pull Request。

更多信息请参阅 贡献 TFLearn。

许可证

MIT 许可证

TFLearn 快速上手指南

TFLearn 是一个构建在 TensorFlow 之上的模块化深度学习库，旨在提供更高阶的 API，以简化实验流程并加速原型开发。它完全兼容 TensorFlow，支持多种主流深度学习模型（如 CNN、LSTM、ResNet 等）。

注意：最新版 TFLearn (v0.5+) 仅兼容 TensorFlow v2.0 及以上版本。由于 TFLearn 基于 TF v1 的 Graph API 设计，在代码中需使用兼容模式导入 TensorFlow。

环境准备

• 操作系统：Linux, macOS, Windows
• Python 版本：Python 3.6+
• 前置依赖：
  • TensorFlow >= 2.0
  • NumPy
  • Six

安装步骤

1. 安装 TensorFlow

推荐使用国内镜像源（如清华源）加速安装：

pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

若需 GPU 支持（确保已安装 CUDA 和 cuDNN）：

pip install tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装 TFLearn

推荐安装最新开发版（功能最全）：

pip install git+https://github.com/tflearn/tflearn.git -i https://pypi.tuna.tsinghua.edu.cn/simple

或安装稳定版：

pip install tflearn -i https://pypi.tuna.tsinghua.edu.cn/simple

源码安装（可选）：

git clone https://github.com/tflearn/tflearn.git
cd tflearn
python setup.py install

基本使用

TFLearn 的核心优势在于简洁的高阶 API。以下是一个最简单的全连接神经网络分类示例：

import tflearn
import tensorflow.compat.v1 as tf

# 初始化图形（可选配置 CPU/GPU）
tflearn.init_graph(num_cores=8, gpu_memory_fraction=0.5)

# 构建网络
net = tflearn.input_data(shape=[None, 784])
net = tflearn.fully_connected(net, 64)
net = tflearn.dropout(net, 0.5)
net = tflearn.fully_connected(net, 10, activation='softmax')
net = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy')

# 创建模型并训练
model = tflearn.DNN(net)
model.fit(X, Y)

关键点说明：

• 必须使用 import tensorflow.compat.v1 as tf 以确保兼容性。
• tflearn.input_data 定义输入层形状。
• tflearn.DNN 封装训练逻辑，支持一键拟合数据。
• 内置支持 Dropout、BatchNorm、LSTM 等常用层，调用方式类似上述示例。

更多复杂模型（如序列生成、卷积网络）可参考官方 Examples 文档。