使用 TensorFlow 一个最大的好处是可以用各种运算符(Ops)灵活构建计算图，同时可以支持自定义运算符(见本公众号早期文章《TensorFlow 增加自定义运算符》)。由于运算符的粒度较小，在构建深度学习模型时，代码写出来比较冗长，比如实现卷积层：5, 9

这种方式在设计较大模型时会比较麻烦，需要程序员徒手完成各个运算符之间的连接，像一些中间变量的维度变换、运算符参数选项、多个子网络连接处极易发生问题，肉眼检查也很难发现代码中潜伏的 bug，会导致运行时出错(运气好)，或者运行时不出错但运行结果不可解释(运气不好)，消耗大量时间和精力。

有没有更好的实现各种经典模型的方式？

答案是肯定的！

我们今天学习一下在 TensorFlow 之上构建的高层次 API—— TFLearn【2】。

TFLearn 是一个模块化和透明的深度学习库，构建在 TensorFlow 之上。

它为 TensorFlow 提供高层次 API，目的是便于快速搭建试验环境，同时保持对 TensorFlow 的完全透明和兼容性。

TFLearn 的一些特点：

容易使用和易于理解的高层次 API 用于实现深度神经网络，附带教程和例子；

通过高度模块化的内置神经网络层、正则化器、优化器等进行快速原型设计；

对 TensorFlow 完全透明，所有函数都是基于 tensor，可以独立于 TFLearn 使用；

强大的辅助函数，训练任意 TensorFlow 图，支持多输入、多输出和优化器；

简单而美观的图可视化，关于权值、梯度、特征图等细节；

无需人工干预，可使用多 CPU、多 GPU；

高层次 API 目前支持最近大多数深度学习模型，像卷积网络、LSTM、BiRNN、BatchNorm、PReLU、残差网络、生成网络、增强学习…… 将来会一直更新最近的深度学习技术；

心动不如行动，我们马上就体验！在一台已经安装了 TensorFlow 的机器上(安装步骤参考之前文章《TensorFlow 1.0.0rc1 入坑记》《利用 TensorFlow 集装箱快速搭建交互式开发环境》《如何在 Windows 系统玩 TensorFlow》)直接运行以下命令：pip in

检查安装成功：

为了方便运行 TFLearn 附带例程，我们需要克隆 TFLearn 源码：

先看看如何用 TFLearn 实现 AlexNet 用于 Oxford 17 类鲜花数据集分类任务的：

上图为论文【1】 中的 AlexNet 结构。

TFLearn 例程中实现的 AlexNet 和论文【1】中相比做了一些修改：

输入图像尺寸变为 227 x 227；

将 2-tower 架构改为 single-tower；

最后一个分类层的输出类别数从 1000 变为 17；

运行该例程：

该程序会自动下载 Oxford 17 flowers 数据集， 选了几个不同类别图片如下：

运行 AlexNet 模型训练截图如下：

在另一个命令行窗口启动 TensorBoard：

打开浏览器，输入地址：localhost:6006，打开 TensorBoard 页面，查看训练过程的准确率、loss 值变化：

AlexNet 模型可视化(之一)

(之二)

模型权值分布：

模型权值的直方图，可以看出权值训练历史：

通过今天内容，读者可以看出使用 TFLearn 高层次 API 相比直接使用 TensorFlow 实现深度学习模型具有使用更简单、构建更快速、可视化更方便等特点，从此无需手动处理各个运算符之间的连接，解放了生产力，提高了模型设计和优化效率。

作为练习，读者可以进一步学习 TFLearn 实现其他经典深度学习模型如 VGG、Inception、NIN、ResNet 等，对比原始论文学习，相信会有更大的收获。

参考文献

【1】Alex Krizhevsky, Ilya Sutskever & Geoffrey E. Hinton. ImageNet Classification with Deep Convolutional Neural Networks. NIPS, 2012.