Keras
優點：Theano時代就推出了，使用者較多，有個人維護的中文文檔，雖然更新很慢。純scikit-learn式編程，隱藏了數據流的細節，數據流沒有敘述的很清楚，到目前為止，並沒有理解keras的時間數據輸入方式...
缺點：運行TensorFlow時很慢，拓展性差（國外測評說是因為 Keras 最開始只是為了 Theano 而開發的，TensorFlow發布後才寫支持TensorFlow的代碼，所以為了兼容犧牲了效率）。不適合科研單位和企業，換句話說畢業以後要重新學另外壹個框架..... 復雜的情況會出現error，這時候調試只能靠運氣了。。
TensorLayer
優點：對學術界的優勢是靈活性很強，甚至可以很簡單地實現動態網絡結構（Neural Modular Network）.... 對工業界的優勢是運行速度快。教程很強大，還包含了 Google TensorFlow 官網的模塊化實現。同時提供scikit-learn式的API，和專業級的API，適合新手到老手過渡。
缺點：剛剛推出（16年8月份）使用者少，但我發現中文使用者不少，有很多微信群、qq群可以交流，有可能和TL官方推出中文文檔有關。
Tflearn
優點：不像Keras那樣兼容兩種後端，所以效率比 Keras 快，但根據國外測評還是比 TensorLayer慢壹些。
缺點：維護不好，作者居然在github issues那裏說 “有時間再實現 seq2seq”，我暈... 有對話為證Seq2Seq Machine Translation · Issue #120 · tflearn/tflearn · GitHub
國外對 TensorLayer 和 Keras 比較的結論基本是企業界和學術界使用 TensorLayer+TensorFlow 搭配，學生使用Keras（若未來想從事機器學習的工作，我個人建議還是好好看下TensorFlow吧）。
個人觀點：學習 TensorFlow 是壹個大趨勢，題主提到的庫都是基於 TensorFlow 開發的，選擇壹個庫非常關鍵。若想熟練掌握深度學習，不妨先學習下 TensorFlow 本身