keras

Keras 3 : apprentissage profond pour les humains

Keras 3 est un framework d'apprentissage profond multi-backend, prenant en charge JAX, TensorFlow et PyTorch. Créez et entraînez sans effort des modèles pour la vision par ordinateur, le traitement du langage naturel, le traitement audio, la prévision de séries temporelles, les systèmes de recommandation, etc.

• Développement de modèles accéléré : expédiez des solutions d'apprentissage en profondeur plus rapidement grâce à l'expérience utilisateur de haut niveau de Keras et à la disponibilité de runtimes faciles à déboguer comme PyTorch ou l'exécution rapide JAX.
• Performances de pointe : en choisissant le backend le plus rapide pour votre architecture de modèle (souvent JAX !), bénéficiez d'accélérations allant de 20 % à 350 % par rapport aux autres frameworks. Benchmark ici.
• Formation à l'échelle du centre de données : évoluez en toute confiance depuis votre ordinateur portable vers de grands clusters de GPU ou de TPU.

Rejoignez près de trois millions de développeurs, des startups en plein essor aux entreprises mondiales, pour exploiter la puissance de Keras 3.

Installation

Installer avec pip

Keras 3 est disponible sur PyPI sous le nom keras . Notez que Keras 2 reste disponible en tant que package tf-keras .

1. Installer keras :

 pip install keras --upgrade

2. Installez le(s) package(s) back-end.

Pour utiliser keras , vous devez également installer le backend de votre choix : tensorflow , jax ou torch . Notez que tensorflow est requis pour utiliser certaines fonctionnalités de Keras 3 : certaines couches de prétraitement ainsi que les pipelines tf.data .

Installation locale

Installation minimale

Keras 3 est compatible avec les systèmes Linux et MacOS. Pour les utilisateurs Windows, nous recommandons d'utiliser WSL2 pour exécuter Keras. Pour installer une version de développement local :

1. Installer les dépendances :

 pip install -r requirements.txt

2. Exécutez la commande d'installation à partir du répertoire racine.

 python pip_build.py --install

3. Exécutez le script de génération d'API lors de la création de PR qui mettent à jour les API publiques keras_export :

 ./shell/api_gen.sh

Ajout de la prise en charge du GPU

Le fichier requirements.txt installera une version CPU uniquement de TensorFlow, JAX et PyTorch. Pour la prise en charge du GPU, nous fournissons également un requirements-{backend}-cuda.txt distinct pour TensorFlow, JAX et PyTorch. Ceux-ci installent toutes les dépendances CUDA via pip et s'attendent à ce qu'un pilote NVIDIA soit préinstallé. Nous recommandons un environnement Python propre pour chaque backend afin d'éviter les incompatibilités de version CUDA. A titre d'exemple, voici comment créer un environnement GPU Jax avec 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

Configuration de votre back-end

Vous pouvez exporter la variable d'environnement KERAS_BACKEND ou vous pouvez modifier votre fichier de configuration local sur ~/.keras/keras.json pour configurer votre backend. Les options backend disponibles sont : "tensorflow" , "jax" , "torch" . Exemple:

 export KERAS_BACKEND="jax"

Dans Colab, vous pouvez :

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

import keras

Remarque : Le backend doit être configuré avant d'importer keras et le backend ne peut pas être modifié une fois le package importé.

Compatibilité ascendante

Keras 3 est destiné à remplacer tf.keras (lors de l'utilisation du backend TensorFlow). Prenez simplement votre code tf.keras existant, assurez-vous que vos appels à model.save() utilisent le format .keras à jour, et vous avez terminé.

Si votre modèle tf.keras n'inclut pas de composants personnalisés, vous pouvez commencer à l'exécuter immédiatement sur JAX ou PyTorch.

S'il inclut des composants personnalisés (par exemple des couches personnalisées ou un train_step() personnalisé), il est généralement possible de le convertir en une implémentation indépendante du backend en quelques minutes seulement.

De plus, les modèles Keras peuvent consommer des ensembles de données dans n'importe quel format, quel que soit le backend que vous utilisez : vous pouvez entraîner vos modèles avec vos pipelines tf.data.Dataset existants ou PyTorch DataLoaders .

Pourquoi utiliser Keras 3 ?

• Exécutez vos workflows Keras de haut niveau sur n'importe quel framework, en bénéficiant à volonté des avantages de chaque framework, par exemple l'évolutivité et les performances de JAX ou les options d'écosystème de production de TensorFlow.
• Écrivez des composants personnalisés (par exemple, des couches, des modèles, des métriques) que vous pouvez utiliser dans des flux de travail de bas niveau dans n'importe quel cadre.
  • Vous pouvez prendre un modèle Keras et l'entraîner dans une boucle d'entraînement écrite à partir de zéro en TF, JAX ou PyTorch natif.
  • Vous pouvez prendre un modèle Keras et l'utiliser dans le cadre d'un Module natif PyTorch ou dans le cadre d'une fonction de modèle natif JAX.
• Rendez votre code ML évolutif en évitant le verrouillage du framework.
• En tant qu'utilisateur de PyTorch : accédez enfin à la puissance et à la convivialité de Keras !
• En tant qu'utilisateur JAX : accédez à une bibliothèque de modélisation et de formation complète, testée et bien documentée.

En savoir plus dans l'annonce de la sortie de Keras 3.