O TFlearn é uma biblioteca de aprendizado profundo modular e transparente, construída sobre o Tensorflow. Ele foi projetado para fornecer uma API de nível superior ao TensorFlow, a fim de facilitar e acelerar as experimentações, mantendo-se totalmente transparente e compatível com ele . Mesmo com o TensorFlow, no entanto, enfrentamos uma escolha de qual estrutura “front-end” usar. Devemos usar o TensorFlow direto, o TF Learn ou o Keras, ou a nova biblioteca TF-Slim lançada pelo Google no TensorFlow.
Keras é uma API de redes neurais de alto nível, escrita em Python e capaz de executar sobre TensorFlow, CNTK ou Theano. Foi desenvolvido com o objetivo de permitir experimentação rápida. Ser capaz de passar da ideia para o resultado com o menor atraso possível é essencial para fazer uma boa pesquisa.
Em linha reta TensorFlowé realmente detalhado enquanto Kerase TfLearnambos parecem sólidos, mas a TfLearnsintaxe parece um pouco mais limpo. Uma desvantagem do Tflearn é a falta de modelos pré-treinados facilmente integrados.
Na verdade, existem muitas respostas para sua pergunta aqui e aqui e cito algumas delas aqui.
Atualmente, o TensorFlow é o mainstream da estrutura de aprendizado profundo, todos eles são o invólucro do TF. Visto que o Keras foi lançado com a idade do Theano e, portanto, com um bom suporte dos usuários do Theano; Enquanto o TensorLayer e o TFLearn são lançados após o TensorFlow. Um bom motivo para escolher o Keras é que você pode usar o back-end do TensorFlow sem realmente aprender. Além disso, o Keras tende a encerrar o modelo profundamente, então você não precisa necessariamente considerar o back-end como Theano ou TF, o que é uma grande vantagem do Keras.
Depende do que você quer fazer, prototipagem rápida ou algo mais?
Keras: Muitas pessoas estão usando, fácil de encontrar exemplos no github. Adequado para iniciantes. Capaz de rodar sobre o TensorFlow ou o Theano. Tflearn: Por que ninguém discute isso? É também uma biblioteca famosa, transparente sobre o TensorFlow. Alta velocidade de operação. TensorLayer: basta liberar (setembro de 2016), transparente sobre o TensorFlow. Alta velocidade de operação. Fácil de estender, adequado para profissionais, seu tutorial inclui toda a implementação modular do tutorial do Google TensorFlow Deep Learning. TF-Silm: basta lançar (agosto de 2016) semelhante ao Tflearn, mas nenhuma camada RNN no momento (setembro de 2016).
A melhor estrutura de aprendizado profundo é a que você conhece melhor.