TensorLayerX

项目介绍：TensorLayerX

TensorLayerX是一个多后端的人工智能框架，旨在支持多种深度学习平台，如TensorFlow、PyTorch、PaddlePaddle、MindSpore、OneFlow及Jittor。这意味着开发者可以在不同的硬件设备上运行同一段代码，包括Nvidia-GPU、华为Ascend芯片及寒武纪芯片等。这个项目由多所国际知名大学和研究机构的研究人员共同维护，这其中包括北京大学、鹏城实验室、香港科技大学、帝国理工学院、普林斯顿大学、牛津大学、斯坦福大学、清华大学和爱丁堡大学。

设计特色

兼容性

TensorLayerX最大的优势之一是其卓越的兼容性。它能支持全球流行的深度学习框架和AI芯片，真正实现“一次开发，处处运行”。

模型仓库

项目提供了一系列应用，其中包括经典和最先进（SOTA）的模型，涵盖了计算机视觉（CV）、自然语言处理（NLP）、强化学习（RL）等多个领域。

部署

TensorLayerX支持ONNX协议，能够方便地进行模型导出、导入和部署。

多后端设计

开发者可以使用类似PyTorch的方式来定义模型，并且可以轻松切换到不同的后端。这种方便性让TensorLayerX成为灵活的深度学习工具选择。例如，开发者可以通过修改简单的环境变量，轻松切换到不同的深度学习框架，如下所示：

import os
os.environ['TL_BACKEND'] = 'tensorflow' # 切换后端
#os.environ['TL_BACKEND'] = 'mindspore'
#os.environ['TL_BACKEND'] = 'paddle'
#os.environ['TL_BACKEND'] = 'torch'
import tensorlayerx as tlx

快速入门

TensorLayerX提供了丰富的示例，引导用户快速掌握框架的使用：

MNIST数字识别：使用MNIST数据集训练一个简单的多层感知机（MLP）模型进行数字识别。
CIFAR-10数据流：使用CIFAR-10数据集展示如何创建数据集、处理图像及通过DataLoader载入数据。
MNIST GAN训练：在MNIST数据集上训练生成对抗网络（GAN）。
MNIST混合编程：混合使用TensorLayerX与其他深度学习库（如TensorFlow、PyTorch等）运行在MNIST数据集上。

资源

TensorLayerX还提供了丰富的资源，以支持广泛的研究和应用：

GammaGL：一系列的图学习算法。
TLXZoo：一系列预训练的模型骨干。
TLXCV和TLXNLP：分别提供计算机视觉和自然语言处理的应用。
TLX2ONNX和Paddle2TLX：支持模型从TensorLayerX到ONNX格式的导出和从PaddlePaddle到TensorLayerX的代码转换。

安装指南

用户可以通过pip安装TensorLayerX稳定版本，或者从GitHub源码构建最新版本。此外，TensorLayerX还提供了Docker镜像以便于快速部署。

# 从PyPI安装
pip3 install tensorlayerx 

# 从GitHub安装最新版本
pip3 install git+https://github.com/tensorlayer/tensorlayerx.git 

# 从Docker Hub拉取镜像
docker pull tensorlayer/tensorlayerx:tagname