TFlearn是一个建立在 TensorFlow 之上的模块化和透明的深度学习库。它旨在为 TensorFlow 提供更高级别的 API，以促进和加速实验，同时保持完全透明并与之兼容。然而，即使使用 TensorFlow，我们也面临使用哪个“前端”框架的选择。我们应该使用直接的 TensorFlow，还是 TF Learn，或者 Keras，还是谷歌在 TensorFlow 中发布的新的 TF-Slim 库。

Keras是一个高级神经网络 API，用 Python 编写，能够在 TensorFlow、CNTK 或 Theano 之上运行。它的开发重点是实现快速实验。能够以尽可能少的延迟将想法转化为结果是做好研究的关键。

StraightTensorFlow确实很冗长，虽然Keras两者TfLearn看起来都很可靠，但TfLearn语法似乎更简洁一些。Tflearn 的一个缺点是缺乏易于集成的预训练模型。

实际上，您的问题在这里和这里有很多答案，我在这里引用其中的一些。

TensorFlow是目前主流的深度学习框架，都是TF的封装。而 Keras 是在 Theano 时代发布的，因此得到了 Theano 用户的良好支持。而 TensorLayer 和 TFLearn 都是在 TensorFlow 之后发布的。选择 Keras 的一个很好的理由是，您无需实际学习即可使用 TensorFlow 后端。再加上 Keras 倾向于对模型进行深度封装，所以你不一定需要考虑后端是 Theano 或 TF，这是 Keras 的一大优势。

这取决于您想做什么，快速原型设计还是其他？

Keras：很多人都在使用它，在 github 上很容易找到示例。适合初学者。能够在 TensorFlow 或 Theano 之上运行。tflearn: 为什么没人讨论呢？它也是一个著名的库，在 TensorFlow 上是透明的。运行速度高。TensorLayer：刚刚发布（2016 年 9 月），在 TensorFlow 上透明。运行速度高。易于扩展，适合专业人士，其教程包括谷歌TensorFlow深度学习教程的所有模块化实现。TF-Silm：刚刚发布（2016 年 8 月），与 Tflearn 类似，但目前没有 RNN 层（2016 年 9 月）。

最好的深度学习框架是你最了解的。