得益于TensorFlow 社区的繁荣，诞生出许多高质量的元框架（metaframework），如Keras、
TFLearn、TensorLayer 等。使用元框架能够大大减少编写TensorFlow 代码的工作量，方便开发
者很速搭建网络模型，并且使代码简单、可读性强。
TFLearn 是一个建立在TensorFlow 顶部的模块化的深度学习框架，它为TensorFlow 提供更
高级的API，以便于很速实验，同时保持完全透明和兼容。
1.TFLearn功能简介
TFLearn的功能包括：
（1）易于使用和理解高级API用于实施深层神经网络，教程和示例
（2）通过高度模块化的内置神经网络层，正则化器，优化器，度量，快速原型
（3）tensorflow安全透明。所有函数都建立在张量上，可以独立于tflearn的使用
（4）强大的帮助函数来训练任何tensorflow图，支持多个输入，输出和优化器
（5）简单和美丽的图形可视化，有关权重，渐变，激活等详细信息…
（6）轻松使用多个CPU/GPU的设备布局
下面介绍一个小案例，感受代码的简洁：
2 .加载数据*
这里用的是牛津大学的鲜花数据集(http://www.robots.ox.ac.uk/～vgg/data/flowers/17/)（Flower Dataset）。这个数据集提供了17 个类别的鲜
花数据，每个类别80 张图片，并且图片有大量的姿态和光的变化。
注意，在代码的开始需要导入用到的与卷积、池化、规范化相关的类，方法如下：
import tflearn
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.normalization import local_response_normalization
from tflearn.layers.estimator import regression
import tflearn.datasets.oxflower17 as oxflower17
X, Y = oxflower17.load_data(one_hot=True, resize_pics=(227, 227))
3、 构建网络模型
构建AlexNet 网络模型时，直接使用TFLearn 中的卷积、池化、规范化、全连接、dropout
函数来构建即可。方法如下：
构建AlexNet 网络
network = input_data(shape=[None, 227, 227, 3])
network = conv_2d(network, 96, 11, strides=4, activation=’relu’)
network = max_pool_2d(network, 3, strides=2)
network = local_response_normalization(network)
network = conv_2d(network, 256, 5, activation=’relu’)
network = max_pool_2d(network, 3, strides=2)
network = local_response_normalization(network)
network = conv_2d(network, 384, 3, activation=’relu’)
network = conv_2d(network, 384, 3, activation=’relu’)
network = conv_2d(network, 256, 3, activation=’relu’)
network = max_pool_2d(network, 3, strides=2)
network = local_response_normalization(network)
network = fully_connected(network, 4096, activation=’tanh’)
network = dropout(network, 0.5)
network = fully_connected(network, 4096, activation=’tanh’)
network = dropout(network, 0.5)
network = fully_connected(network, 17, activation=’softmax’)
network = regression(network, optimizer=’momentum’,
loss=’categorical_crossentropy’,
learning_rate=0.001) # 回归操作，同时规定网络所使用的学习率、损失函数和优化器
“`
4、 训练模型
构建完模型之后，就可以训练模型了。这里我们加了一步，就是假设有训练好或训练到一
半的AlexNet 模型的检查点文件，直接载入，方法如下：
model = tflearn.DNN(network, checkpoint_path=’model_alexnet’,
max_checkpoints=1, tensorboard_verbose=2)
model.fit(X, Y, n_epoch=1000, validation_set=0.1, shuffle=True,
show_metric=True, batch_size=64, snapshot_step=200,
snapshot_epoch=False, run_id=’alexnet_oxflowers17’)