keras

Keras 3: Deep Learning für Menschen

Keras 3 ist ein Multi-Backend-Deep-Learning-Framework mit Unterstützung für JAX, TensorFlow und PyTorch. Erstellen und trainieren Sie mühelos Modelle für Computer Vision, Verarbeitung natürlicher Sprache, Audioverarbeitung, Zeitreihenvorhersage, Empfehlungssysteme usw.

• Beschleunigte Modellentwicklung : Dank der High-Level-UX von Keras und der Verfügbarkeit einfach zu debuggender Laufzeiten wie PyTorch oder JAX Eager Execution können Deep-Learning-Lösungen schneller bereitgestellt werden.
• Modernste Leistung : Durch die Auswahl des Backends, das für Ihre Modellarchitektur am schnellsten ist (häufig JAX!), können Sie im Vergleich zu anderen Frameworks Geschwindigkeitssteigerungen zwischen 20 % und 350 % erzielen. Benchmark hier.
• Schulung im Rechenzentrumsmaßstab : Skalieren Sie sicher von Ihrem Laptop auf große Cluster von GPUs oder TPUs.

Schließen Sie sich fast drei Millionen Entwicklern an, von aufstrebenden Startups bis hin zu globalen Unternehmen, und nutzen Sie die Leistungsfähigkeit von Keras 3.

Installation

Mit pip installieren

Keras 3 ist auf PyPI als keras verfügbar. Beachten Sie, dass Keras 2 weiterhin als tf-keras -Paket verfügbar ist.

1. keras installieren:

 pip install keras --upgrade

2. Backend-Paket(e) installieren.

Um keras zu verwenden, sollten Sie auch das Backend Ihrer Wahl installieren: tensorflow , jax oder torch . Beachten Sie, dass tensorflow für die Verwendung bestimmter Keras 3-Funktionen erforderlich ist: bestimmte Vorverarbeitungsebenen sowie tf.data Pipelines.

Lokale Installation

Minimale Installation

Keras 3 ist mit Linux- und MacOS-Systemen kompatibel. Für Windows-Benutzer empfehlen wir die Verwendung von WSL2 zum Ausführen von Keras. So installieren Sie eine lokale Entwicklungsversion:

1. Abhängigkeiten installieren:

 pip install -r requirements.txt

2. Führen Sie den Installationsbefehl aus dem Stammverzeichnis aus.

 python pip_build.py --install

3. Führen Sie das API-Generierungsskript aus, wenn Sie PRs erstellen, die die öffentlichen APIs keras_export aktualisieren:

 ./shell/api_gen.sh

GPU-Unterstützung hinzufügen

Die Datei requirements.txt installiert eine reine CPU-Version von TensorFlow, JAX und PyTorch. Für die GPU-Unterstützung stellen wir außerdem eine separate requirements-{backend}-cuda.txt für TensorFlow, JAX und PyTorch bereit. Diese installieren alle CUDA-Abhängigkeiten über pip und gehen davon aus, dass ein NVIDIA-Treiber vorinstalliert ist. Wir empfehlen eine saubere Python-Umgebung für jedes Backend, um CUDA-Versionskonflikte zu vermeiden. Als Beispiel sehen Sie hier, wie Sie mit conda eine Jax-GPU-Umgebung erstellen:

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

Konfigurieren Sie Ihr Backend

Sie können die Umgebungsvariable KERAS_BACKEND exportieren oder Ihre lokale Konfigurationsdatei unter ~/.keras/keras.json bearbeiten, um Ihr Backend zu konfigurieren. Verfügbare Backend-Optionen sind: "tensorflow" , "jax" , "torch" . Beispiel:

 export KERAS_BACKEND="jax"

In Colab können Sie Folgendes tun:

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

import keras

Hinweis: Das Backend muss vor dem Import keras konfiguriert werden und kann nach dem Import des Pakets nicht mehr geändert werden.

Abwärtskompatibilität

Keras 3 soll als direkter Ersatz für tf.keras dienen (bei Verwendung des TensorFlow-Backends). Nehmen Sie einfach Ihren vorhandenen tf.keras Code, stellen Sie sicher, dass Ihre Aufrufe von model.save() das aktuelle .keras Format verwenden, und schon sind Sie fertig.

Wenn Ihr tf.keras -Modell keine benutzerdefinierten Komponenten enthält, können Sie es sofort auf JAX oder PyTorch ausführen.

Wenn es benutzerdefinierte Komponenten enthält (z. B. benutzerdefinierte Ebenen oder einen benutzerdefinierten train_step() ), ist es normalerweise möglich, es in nur wenigen Minuten in eine Backend-agnostische Implementierung zu konvertieren.

Darüber hinaus können Keras-Modelle Datensätze in jedem Format nutzen, unabhängig vom verwendeten Backend: Sie können Ihre Modelle mit Ihren vorhandenen tf.data.Dataset Pipelines oder PyTorch DataLoaders trainieren.

Warum Keras 3 verwenden?

• Führen Sie Ihre Keras-Workflows auf hoher Ebene auf einem beliebigen Framework aus – und profitieren Sie nach Belieben von den Vorteilen jedes Frameworks, z. B. der Skalierbarkeit und Leistung von JAX oder den Produktionsökosystemoptionen von TensorFlow.
• Schreiben Sie benutzerdefinierte Komponenten (z. B. Ebenen, Modelle, Metriken), die Sie in Workflows auf niedriger Ebene in jedem Framework verwenden können.
  • Sie können ein Keras-Modell nehmen und es in einer Trainingsschleife trainieren, die von Grund auf in nativem TF, JAX oder PyTorch geschrieben wurde.
  • Sie können ein Keras-Modell nehmen und es als Teil eines PyTorch-nativen Module oder als Teil einer JAX-nativen Modellfunktion verwenden.
• Machen Sie Ihren ML-Code zukunftssicher, indem Sie die Bindung an ein Framework vermeiden.
• Als PyTorch-Benutzer: Erhalten Sie endlich Zugriff auf die Leistungsfähigkeit und Benutzerfreundlichkeit von Keras!
• Als JAX-Benutzer erhalten Sie Zugriff auf eine voll funktionsfähige, kampferprobte und gut dokumentierte Modellierungs- und Trainingsbibliothek.

Weitere Informationen finden Sie in der Veröffentlichungsankündigung für Keras 3.