keras

Keras 3: Pembelajaran Mendalam untuk Manusia

Keras 3 adalah kerangka pembelajaran mendalam multi-backend, dengan dukungan untuk JAX, TensorFlow, dan PyTorch. Membangun dan melatih model dengan mudah untuk visi komputer, pemrosesan bahasa alami, pemrosesan audio, perkiraan rangkaian waktu, sistem rekomendasi, dll.

• Pengembangan model yang dipercepat : Memberikan solusi pembelajaran mendalam lebih cepat berkat UX Keras tingkat tinggi dan ketersediaan runtime yang mudah di-debug seperti eksekusi bersemangat PyTorch atau JAX.
• Performa tercanggih : Dengan memilih backend yang tercepat untuk arsitektur model Anda (seringkali JAX!), manfaatkan peningkatan kecepatan mulai dari 20% hingga 350% dibandingkan dengan kerangka kerja lainnya. Tolok ukur di sini.
• Pelatihan skala pusat data : Skalakan dengan percaya diri dari laptop Anda ke cluster besar GPU atau TPU.

Bergabunglah dengan hampir tiga juta pengembang, mulai dari startup yang sedang berkembang hingga perusahaan global, dalam memanfaatkan kekuatan Keras 3.

Instalasi

Instal dengan pip

Keras 3 tersedia di PyPI sebagai keras . Perhatikan bahwa Keras 2 tetap tersedia sebagai paket tf-keras .

1. Instal keras :

 pip install keras --upgrade

2. Instal paket backend.

Untuk menggunakan keras , Anda juga harus menginstal backend pilihan: tensorflow , jax , atau torch . Perhatikan bahwa tensorflow diperlukan untuk menggunakan fitur Keras 3 tertentu: lapisan prapemrosesan tertentu serta pipeline tf.data .

Instalasi lokal

Instalasi minimal

Keras 3 kompatibel dengan sistem Linux dan MacOS. Untuk pengguna Windows, kami menyarankan penggunaan WSL2 untuk menjalankan Keras. Untuk menginstal versi pengembangan lokal:

1. Instal dependensi:

 pip install -r requirements.txt

2. Jalankan perintah instalasi dari direktori root.

 python pip_build.py --install

3. Jalankan skrip pembuatan API saat membuat PR yang memperbarui API publik keras_export :

 ./shell/api_gen.sh

Menambahkan dukungan GPU

File requirements.txt akan menginstal TensorFlow, JAX, dan PyTorch versi khusus CPU. Untuk dukungan GPU, kami juga menyediakan requirements-{backend}-cuda.txt untuk TensorFlow, JAX, dan PyTorch. Ini menginstal semua dependensi CUDA melalui pip dan mengharapkan driver NVIDIA sudah diinstal sebelumnya. Kami merekomendasikan lingkungan python yang bersih untuk setiap backend untuk menghindari ketidakcocokan versi CUDA. Sebagai contoh, berikut cara membuat lingkungan GPU Jax dengan 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

Mengonfigurasi backend Anda

Anda dapat mengekspor variabel lingkungan KERAS_BACKEND atau Anda dapat mengedit file konfigurasi lokal di ~/.keras/keras.json untuk mengonfigurasi backend Anda. Opsi backend yang tersedia adalah: "tensorflow" , "jax" , "torch" . Contoh:

 export KERAS_BACKEND="jax"

Di Colab, Anda dapat melakukan:

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

import keras

Catatan: Backend harus dikonfigurasi sebelum mengimpor keras , dan backend tidak dapat diubah setelah paket diimpor.

Kompatibilitas mundur

Keras 3 dimaksudkan untuk berfungsi sebagai pengganti tf.keras (saat menggunakan backend TensorFlow). Ambil saja kode tf.keras yang ada, pastikan panggilan Anda ke model.save() menggunakan format .keras terbaru, dan selesai.

Jika model tf.keras Anda tidak menyertakan komponen khusus, Anda dapat segera menjalankannya di atas JAX atau PyTorch.

Jika mencakup komponen khusus (misalnya lapisan khusus atau train_step() khusus), biasanya dimungkinkan untuk mengonversinya menjadi implementasi backend-agnostic hanya dalam beberapa menit.

Selain itu, model Keras dapat menggunakan kumpulan data dalam format apa pun, apa pun backend yang Anda gunakan: Anda dapat melatih model dengan pipeline tf.data.Dataset atau PyTorch DataLoaders yang ada.

Mengapa menggunakan Keras 3?

• Jalankan alur kerja Keras tingkat tinggi Anda di atas kerangka kerja apa pun -- manfaatkan keunggulan masing-masing kerangka kerja, misalnya skalabilitas dan kinerja JAX atau opsi ekosistem produksi TensorFlow.
• Tulis komponen khusus (misalnya lapisan, model, metrik) yang dapat Anda gunakan dalam alur kerja tingkat rendah dalam kerangka kerja apa pun.
  • Anda dapat mengambil model Keras dan melatihnya dalam loop pelatihan yang ditulis dari awal di TF, JAX, atau PyTorch asli.
  • Anda dapat mengambil model Keras dan menggunakannya sebagai bagian dari Module asli PyTorch atau sebagai bagian dari fungsi model asli JAX.
• Jadikan kode ML Anda tahan masa depan dengan menghindari penguncian kerangka kerja.
• Sebagai pengguna PyTorch: akhirnya dapatkan akses ke kekuatan dan kegunaan Keras!
• Sebagai pengguna JAX: dapatkan akses ke perpustakaan pemodelan dan pelatihan yang berfitur lengkap, teruji pertempuran, dan terdokumentasi dengan baik.

Baca selengkapnya di pengumuman rilis Keras 3.