我正在尝试了解 Scikit MLPClassifier 和 Tensorflow DNNClassifier 用于分类任务的区别，并希望一些专家可以分享一下。据我了解，两者都支持反向传播、激活函数（inc.relu）、优化器（sgd/adam）。MLPClassifier 还可以通过指定隐藏层和节点的数量来拥有深度神经网络。我可以看到两者之间的唯一区别是 DNNClassifier 支持 GPU 训练，而 MLPClassifer 不支持。除了 GPU 支持之外，它们之间还有其他区别吗？为什么要使用 Tensorflow 的 DNNClassifier 进行基本的深度神经网络训练（我在这里说的是基本的 feed-forard NN，而不是 CNN、RNN、LSTM 等）而不是 Scikit 的 MLPClassifier？
谢谢！
也许你想使用更复杂的激活函数——即leakyReLU 或者你想添加批量标准化。从 API 的简要介绍来看，SKlearn 中没有 batchnorm 选项。此外，您似乎不能将 dropout 与 MLPClassifier 一起使用。
您可能还会对 tensorflow 功能（即 tensorboard）感到更自在，或者您可能会对 SKlearn 感到更自在。各有各的。
MLPClassifier 和 DNNClassifier 都是最简单的前馈神经网络的实现。所以原则上，它们是相同的。
TensorFlow 是一个深度学习库。scikit-learn 是一个更传统的机器学习库。
scikit-learn 对深度学习的覆盖范围非常有限，只有 MLPClassifier 和 MLPregressor，它们是基础知识。scikit-learn 的开发人员专注于更传统的机器学习领域，并做出了慎重的选择，不向深度学习领域扩展太多。
另一方面，Tensorflow 致力于深度学习。你可以用它组成非常复杂的深度学习模型。GPU 支持在深度学习中非常重要，我们确实需要 1000 倍的速度才能在深度学习中完成任何有意义的工作。
您可以使用 MLPClassifier 来处理玩具数据，但仅此而已。话虽如此，scikit-learn 源代码和文档非常容易访问。这对学习来说是惊人的。如果您刚开始学习深度学习，我强烈建议您阅读 MLPClassifier 源代码。