TensorFlow更為基礎，基本上是使用樂高積木幫助使用者實現機器學習演算法，scikit-learn則提供了許多現成的演算法，例如支援向量機、隨機森林演算法、邏輯迴歸等分類演算法。如果你想實現深度學習演算法的話，那麼絕對推薦使用TensorFlow，因為它可以讓你利用圖形處理器的進行更有效的培訓。

為了讓大家更好地瞭解這兩種人工智慧學習系統，我透過scikit-learn在Iris資料集上擬合了一個softmax迴歸模型：

此外，我還用了一個小幫手函式來繪製2D決策平面：

看起來很簡單，是吧？:) 現在，如果想透過TensorFlow擬合softmax迴歸模型，必須首先“構建”演算法。雖然聽起來很複雜，但實際操作起來就會發現其實沒那麼難。

TensorFlow有許多“方便”的功能和實用程式。例如，如果想使用機器學習中的最最佳化方法——梯度下降法，其核心或具體計算可能如下：

00001. #構建圖

00002. g = tf.Graph()

00003. with g.as_default():

00004.

00005. 如果 init_weights:

00006. self._n_classes = np.max(y) + 1

00007. self._n_features = X.shape[1]

00008. tf_weights_, tf_biases_ = self._initialize_weights(

00009. n_features=self._n_features,

00010. n_classes=self._n_classes)

00011. self.cost_ = []

00012. else:

00013. tf_weights_ = tf.Variable(self.weights_)

00014. tf_biases_ = tf.Variable(self.biases_)

00015.

00016. # 準備訓練樣本

00017. y_enc = self._one_hot(y, self._n_classes)

00018. n_idx = list(range(y.shape[0]))

00019. tf_X = tf.convert_to_tensor(value=X, dtype=self.dtype)

00020. tf_y = tf.convert_to_tensor(value=y_enc, dtype=self.dtype)

00021. tf_idx = tf.placeholder(tf.int32,

00022. shape=[int(y.shape[0] / n_batches)])

00023. X_batch = tf.gather(params=tf_X, indices=tf_idx)

00024. y_batch = tf.gather(params=tf_y, indices=tf_idx)

00025.

00026. #設定圖表以最小化交叉熵成本

00027. logits = tf.matmul(X_batch, tf_weights_) + tf_biases_

00028. cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits,

00029. y_batch)

00030. cost = tf.reduce_mean(cross_entropy)

00031. optimizer = tf.train.GradientDescentOptimizer(

00032. learning_rate=self.eta)

00033. train = optimizer.minimize(cost)

00034. 聽

00035. #初始化變數

00036. init = tf.initialize_all_variables()

我們可以進行如下訓練：

00001. # 啟動圖

00002. with tf.Session(graph=g) as sess:

00003. sess.run(init)

00004. self.init_time_ = time()

00005. for epoch in range(self.epochs):

00006. if self.minibatches > 1:

00007. n_idx = np.random.permutation(n_idx)

00008. minis = np.array_split(n_idx, self.minibatches)

00009. costs = []

00010. for idx in minis:

00011. _, c = sess.run([train, cost], feed_dict={tf_idx: idx})

00012. costs.append(c)

為了方便演示，我已經用TensorFlow實現了面向物件的softmax迴歸，這有點類似於scikit-learn。 如果你有興趣的話，可以在這裡找到完整的程式碼示例：rasbt / mlxtend

就目前來看，TensorFlow適合做大型機器學習開發專案的時候使用，其分散式框架和用python做client介面呼叫c++的執行速度可以讓模型的執行上達到工業水準；

sklearn更適合在開發人員或更入門機器學習的人去快速得到結果反饋，並且其api呼叫的方式十分友好，fit()，predict()，score()基本能滿足需求，而且資料預處理模組和評價模組可以很好地幫助模型進行調優。

所以TensorFlow和sklearn各有長處，應當在自己開發階段擇優選擇。