keras

Keras 3: التعلم العميق للبشر

Keras 3 هو إطار عمل للتعلم العميق متعدد الواجهات الخلفية، يدعم JAX وTensorFlow وPyTorch. قم ببناء وتدريب النماذج بسهولة لرؤية الكمبيوتر، ومعالجة اللغة الطبيعية، ومعالجة الصوت، والتنبؤ بالسلاسل الزمنية، وأنظمة التوصية، وما إلى ذلك.

• تطوير سريع للنموذج : قم بإرسال حلول التعلم العميق بشكل أسرع بفضل تجربة المستخدم عالية المستوى لـ Keras وتوافر أوقات تشغيل سهلة التصحيح مثل التنفيذ الدقيق لـ PyTorch أو JAX.
• أداء متطور : من خلال اختيار الواجهة الخلفية الأسرع لبنية النموذج الخاص بك (غالبًا JAX!)، يمكنك الاستفادة من عمليات تسريع تتراوح من 20% إلى 350% مقارنة بأطر العمل الأخرى. المعيار هنا.
• التدريب على مستوى مراكز البيانات : يمكنك التوسع بثقة من الكمبيوتر المحمول لديك إلى مجموعات كبيرة من وحدات معالجة الرسومات أو وحدات معالجة الرسومات (TPU).

انضم إلى ما يقرب من ثلاثة ملايين مطور، بدءًا من الشركات الناشئة وحتى المؤسسات العالمية، في تسخير قوة Keras 3.

تثبيت

التثبيت بالنقطة

Keras 3 متاح على PyPI كـ keras . لاحظ أن Keras 2 يظل متاحًا كحزمة tf-keras .

1. تثبيت keras :

 pip install keras --upgrade

2. تثبيت حزمة (حزم) الواجهة الخلفية.

لاستخدام keras ، يجب عليك أيضًا تثبيت الواجهة الخلفية التي تختارها: tensorflow أو jax أو torch . لاحظ أن tensorflow مطلوب لاستخدام بعض ميزات Keras 3: بعض طبقات المعالجة المسبقة بالإضافة إلى خطوط أنابيب tf.data .

التثبيت المحلي

الحد الأدنى من التثبيت

Keras 3 متوافق مع أنظمة Linux وMacOS. بالنسبة لمستخدمي Windows، نوصي باستخدام WSL2 لتشغيل Keras. لتثبيت نسخة التطوير المحلية:

1. تثبيت التبعيات:

 pip install -r requirements.txt

2. قم بتشغيل أمر التثبيت من الدليل الجذر.

 python pip_build.py --install

3. قم بتشغيل البرنامج النصي لإنشاء واجهة برمجة التطبيقات عند إنشاء علاقات عامة تعمل على تحديث واجهات برمجة التطبيقات العامة keras_export :

 ./shell/api_gen.sh

إضافة دعم GPU

سيقوم ملف requirements.txt بتثبيت إصدار وحدة المعالجة المركزية (CPU) فقط من TensorFlow وJAX وPyTorch. للحصول على دعم وحدة معالجة الرسومات، نقدم أيضًا requirements-{backend}-cuda.txt لـ TensorFlow وJAX وPyTorch. يقوم هؤلاء بتثبيت جميع تبعيات CUDA عبر pip ويتوقعون تثبيت برنامج تشغيل NVIDIA مسبقًا. نوصي ببيئة بايثون نظيفة لكل واجهة خلفية لتجنب عدم تطابق إصدار CUDA. على سبيل المثال، إليك كيفية إنشاء بيئة Jax GPU باستخدام conda :

conda create -y -n keras-jax python=3.10
conda activate keras-jax
pip install -r requirements-jax-cuda.txt
python pip_build.py --install

تكوين الواجهة الخلفية الخاصة بك

يمكنك تصدير متغير البيئة KERAS_BACKEND أو يمكنك تحرير ملف التكوين المحلي الخاص بك على ~/.keras/keras.json لتكوين الواجهة الخلفية لديك. خيارات الواجهة الخلفية المتوفرة هي: "tensorflow" و "jax" و "torch" . مثال:

 export KERAS_BACKEND="jax"

في كولاب، يمكنك القيام بما يلي:

 import os
os . environ [ "KERAS_BACKEND" ] = "jax"

import keras

ملاحظة: يجب تكوين الواجهة الخلفية قبل استيراد keras ، ولا يمكن تغيير الواجهة الخلفية بعد استيراد الحزمة.

التوافق مع الإصدارات السابقة

تم تصميم Keras 3 للعمل كبديل مباشر لـ tf.keras (عند استخدام الواجهة الخلفية TensorFlow). ما عليك سوى أخذ رمز tf.keras الموجود لديك، والتأكد من أن مكالماتك إلى model.save() تستخدم تنسيق .keras المحدث، وبذلك تكون قد انتهيت.

إذا كان نموذج tf.keras الخاص بك لا يتضمن مكونات مخصصة، فيمكنك البدء في تشغيله أعلى JAX أو PyTorch على الفور.

إذا كانت تحتوي على مكونات مخصصة (على سبيل المثال، طبقات مخصصة أو train_step() مخصصة)، فمن الممكن عادةً تحويلها إلى تطبيق خلفي في بضع دقائق فقط.

بالإضافة إلى ذلك، يمكن لنماذج Keras استهلاك مجموعات البيانات بأي تنسيق، بغض النظر عن الواجهة الخلفية التي تستخدمها: يمكنك تدريب نماذجك باستخدام مسارات tf.data.Dataset الحالية أو PyTorch DataLoaders .

لماذا استخدام كيراس 3؟

• قم بتشغيل مسارات عمل Keras عالية المستوى فوق أي إطار عمل - مع الاستفادة حسب الرغبة من مزايا كل إطار عمل، على سبيل المثال قابلية التوسع وأداء JAX أو خيارات النظام البيئي للإنتاج في TensorFlow.
• اكتب المكونات المخصصة (مثل الطبقات والنماذج والمقاييس) التي يمكنك استخدامها في سير العمل منخفض المستوى في أي إطار عمل.
  • يمكنك أخذ نموذج Keras وتدريبه في حلقة تدريب مكتوبة من الصفر بلغة TF أو JAX أو PyTorch الأصلية.
  • يمكنك أخذ نموذج Keras واستخدامه كجزء من Module PyTorch الأصلية أو كجزء من وظيفة نموذج JAX الأصلية.
• اجعل كود ML الخاص بك مقاومًا للمستقبل عن طريق تجنب قفل الإطار.
• كمستخدم لـ PyTorch: احصل على إمكانية الوصول إلى قوة Keras وسهولة استخدامه، أخيرًا!
• كمستخدم لـ JAX: احصل على إمكانية الوصول إلى مكتبة النمذجة والتدريب كاملة المواصفات والمختبرة والموثقة جيدًا.

اقرأ المزيد في إعلان إصدار Keras 3.