tensorflow很强大，很灵活。但对于新手并不友好，主要不是复杂，准确来说是繁琐。因为拆开一个个点来看，都不复杂，就像积木似的。

但每次为了拼一层，要做大量的事情，就是太琐碎了。正因为如此，才有了tflearn,keras这样的封装。keras原本是为theano封装的，theano本身就是一个高性能的矩阵运算库，算不上深度学习库，后来又兼容的tensorflow，CNTK等。

keras为了通用，注定要封装更多层次的抽象，对于源码理解就带来了困难。而tflearn的粒度正好适中，它就是为tensorflow而生，而且它生成的结构也是tensor,用session.run是可以直接计算的。

本文理解一下tflearn内建的操作符，就是tensorlayer里号称的中等程度的封装，其实tflearn也有。

http://s5/mw690/001rxTlvzy7eVpT5OZe04&690

import tensorflow as tf

import tflearn



#这里下载并加载minist数据集
import tflearn.datasets.mnist as mnist

trainX, trainY, testX, testY = mnist.load_data(one_hot=True)



# 为演示效果，直接使用tersorflow的placeholder
with tf.Graph().as_default():

    # 输入、输出变量
    X = tf.placeholder("float", [None, 784])

    Y = tf.placeholder("float", [None, 10])

    #这里是参数，就是WX+b

    W1 = tf.Variable(tf.random_normal([784, 256]))

    W2 = tf.Variable(tf.random_normal([256, 256]))

    W3 = tf.Variable(tf.random_normal([256, 10]))

    b1 = tf.Variable(tf.random_normal([256]))

    b2 = tf.Variable(tf.random_normal([256]))

    b3 = tf.Variable(tf.random_normal([10]))



    # 下面就是一个多层感知器
    def dnn(x):

        # TFlearn有一个prelu的激活函数
        x = tflearn.prelu(tf.add(tf.matmul(x, W1), b1))

        tflearn.summaries.monitor_activation(x) # Monitor activation
        x = tflearn.prelu(tf.add(tf.matmul(x, W2), b2))

        tflearn.summaries.monitor_activation(x) # Monitor activation
        x = tf.nn.softmax(tf.add(tf.matmul(x, W3), b3))

        return x



    net = dnn(X)



    # tflearn提供的计算交叉熵损失的函数
    loss = tflearn.categorical_crossentropy(net, Y)



    # tflearn提供的计算测试集准确性的函数
    acc = tflearn.metrics.accuracy_op(net, Y)



    # 下面是优化函数
    optimizer = tflearn.SGD(learning_rate=0.1, lr_decay=0.96, decay_step=200)
    step = tflearn.variable("step", initializer='zeros', shape=[])

    optimizer.build(step_tensor=step)

    optim_tensor = optimizer.get_tensor()



    # 使用 TFLearn Trainer
    trainop = tflearn.TrainOp(loss=loss, optimizer=optim_tensor,

                              metric=acc, batch_size=128,

                              step_tensor=step)
    trainer = tflearn.Trainer(train_ops=trainop, tensorboard_verbose=0)

    # Training for 10 epochs.
    trainer.fit({X: trainX, Y: trainY}, val_feed_dicts={X: testX, Y: testY},

                n_epoch=10, show_metric=True)

这个粒度的封装，其实很适合与tensorflow一起使用，比那个tensorlayer好用太多。

关于作者：魏佳斌，互联网产品/技术总监，北京大学光华管理学院（MBA）,特许金融分析师（CFA），资深产品经理/码农。偏爱python，深度关注互联网趋势，人工智能，AI金融量化。致力于使用最前沿的认知技术去理解这个复杂的世界。

扫描下方二维码，关注：AI量化实验室（ailabx），了解AI量化最前沿技术、资讯。

http://s8/mw690/001rxTlvzy7eVpSci3R57&690