keras

Keras 3: aprendizaje profundo para humanos

Keras 3 es un marco de aprendizaje profundo de múltiples backends, compatible con JAX, TensorFlow y PyTorch. Cree y entrene sin esfuerzo modelos para visión por computadora, procesamiento de lenguaje natural, procesamiento de audio, pronóstico de series temporales, sistemas de recomendación, etc.

• Desarrollo de modelos acelerado : proporcione soluciones de aprendizaje profundo más rápido gracias a la UX de alto nivel de Keras y la disponibilidad de tiempos de ejecución fáciles de depurar como PyTorch o JAX.
• Rendimiento de última generación : al elegir el backend que sea más rápido para la arquitectura de su modelo (¡a menudo JAX!), aproveche las aceleraciones que van del 20% al 350% en comparación con otros marcos. Punto de referencia aquí.
• Capacitación a escala de centro de datos : escale con confianza desde su computadora portátil a grandes grupos de GPU o TPU.

Únase a casi tres millones de desarrolladores, desde nuevas empresas emergentes hasta empresas globales, para aprovechar el poder de Keras 3.

Instalación

Instalar con pip

Keras 3 está disponible en PyPI como keras . Tenga en cuenta que Keras 2 sigue disponible como paquete tf-keras .

1. Instalar keras :

 pip install keras --upgrade

2. Instale los paquetes de backend.

Para usar keras , también debes instalar el backend de tu elección: tensorflow , jax o torch . Tenga en cuenta que se requiere tensorflow para usar ciertas características de Keras 3: ciertas capas de preprocesamiento y canalizaciones tf.data .

instalación local

Instalación mínima

Keras 3 es compatible con sistemas Linux y MacOS. Para los usuarios de Windows, recomendamos utilizar WSL2 para ejecutar Keras. Para instalar una versión de desarrollo local:

1. Instalar dependencias:

 pip install -r requirements.txt

2. Ejecute el comando de instalación desde el directorio raíz.

 python pip_build.py --install

3. Ejecute el script de generación de API al crear PR que actualicen las API públicas keras_export :

 ./shell/api_gen.sh

Agregar soporte para GPU

El archivo requirements.txt instalará una versión solo para CPU de TensorFlow, JAX y PyTorch. Para la compatibilidad con GPU, también proporcionamos requirements-{backend}-cuda.txt para TensorFlow, JAX y PyTorch. Estos instalan todas las dependencias de CUDA a través de pip y esperan que se preinstale un controlador NVIDIA. Recomendamos un entorno Python limpio para cada backend para evitar discrepancias en las versiones de CUDA. Como ejemplo, aquí se explica cómo crear un entorno de GPU Jax con 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

Configurando su backend

Puede exportar la variable de entorno KERAS_BACKEND o puede editar su archivo de configuración local en ~/.keras/keras.json para configurar su backend. Las opciones de backend disponibles son: "tensorflow" , "jax" , "torch" . Ejemplo:

 export KERAS_BACKEND="jax"

En Colab, puedes hacer:

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

import keras

Nota: El backend debe configurarse antes de importar keras y no se puede cambiar después de importar el paquete.

Compatibilidad con versiones anteriores

Keras 3 está diseñado para funcionar como un reemplazo directo de tf.keras (cuando se usa el backend de TensorFlow). Simplemente tome su código tf.keras existente, asegúrese de que sus llamadas a model.save() estén usando el formato .keras actualizado y listo.

Si su modelo tf.keras no incluye componentes personalizados, puede comenzar a ejecutarlo sobre JAX o PyTorch inmediatamente.

Si incluye componentes personalizados (por ejemplo, capas personalizadas o un train_step() personalizado), generalmente es posible convertirlo a una implementación independiente del backend en solo unos minutos.

Además, los modelos de Keras pueden consumir conjuntos de datos en cualquier formato, independientemente del backend que esté utilizando: puede entrenar sus modelos con sus canalizaciones tf.data.Dataset existentes o PyTorch DataLoaders .

¿Por qué utilizar Keras 3?

• Ejecute sus flujos de trabajo de Keras de alto nivel sobre cualquier marco, beneficiándose a voluntad de las ventajas de cada marco, por ejemplo, la escalabilidad y el rendimiento de JAX o las opciones del ecosistema de producción de TensorFlow.
• Escriba componentes personalizados (por ejemplo, capas, modelos, métricas) que pueda usar en flujos de trabajo de bajo nivel en cualquier marco.
  • Puede tomar un modelo de Keras y entrenarlo en un ciclo de entrenamiento escrito desde cero en TF, JAX o PyTorch nativo.
  • Puede tomar un modelo de Keras y usarlo como parte de un Module nativo de PyTorch o como parte de una función de modelo nativo de JAX.
• Haga que su código ML esté preparado para el futuro evitando el bloqueo del marco.
• Como usuario de PyTorch: ¡obtenga acceso al poder y la usabilidad de Keras, por fin!
• Como usuario de JAX: obtenga acceso a una biblioteca de entrenamiento y modelado bien documentada, probada en batalla y con todas las funciones.

Lea más en el anuncio del lanzamiento de Keras 3.