Tensorflow比较灵活，但是它提供的操作比较低级，于是许多封装库应运而生。
slim
导入方式
import tensorflow as tf
import tensorflow.contrib.slim as slim
这个库直接放在contrib模块中，不像tflearn、tflayer、keras都有自己独立的pip包和官方文档。
keras
优点：
- 时间久远
- 社区活跃，文档齐全
- 多种后端：Theano、Tensorflow、MXNet
- 跨平台：不管是CPU还是GPU，不管是Tensorflow还是别的后端，它都对它们进行了封装
- 封装完美：类似sklearn，封装了各种细节
- 学习成本低，编程简单
缺点：
- 运行效率低，这个问题随着时间是会慢慢改善的
国外测评说是因为 Keras 最开始只是为了 Theano 而开发的，TensorFlow发布后才写支持TensorFlow的代码，所以为了兼容牺牲了效率 - 封装过于严密导致可扩展性差
如果想要快速上手，keras是最简单实用的。
tflearn
优点：
- 高效：比Keras高效，但是比不上TensorLayer高效
缺点：
- 维护不好，没有中文文档，作者人数较少，开发力量薄弱
tensorlayer
优点：
- 灵活，可以很简单地实现动态网络结构（Neural Modular Network）
- 文档齐全，社区活跃。提供了 Google TensorFlow 官网的模块化实现
- 封装完善：提供scikit-learn式的API，和专业级的API，适合新手到老手过渡
缺点：
- 发布时间较晚（16年8月份）
最后
把Tensorflow、Pytorch、MXNet、Caffe比作操作系统，那么Keras就像Java，虽然慢些但是跨平台封装好。TensorLayer就像C#，运行快，但是只适用于一个平台。
如果只是想在网络架构、应用方面创新，keras无疑是最佳选择。