keras

Keras 3: 人間のための深層学習

Keras 3 は、JAX、TensorFlow、および PyTorch をサポートするマルチバックエンド深層学習フレームワークです。コンピューター ビジョン、自然言語処理、音声処理、時系列予測、レコメンダー システムなどのモデルを簡単に構築およびトレーニングします。

• モデル開発の高速化: Keras の高レベル UX と、PyTorch や JAX 熱心な実行などのデバッグが簡単なランタイムの利用可能性のおかげで、ディープ ラーニング ソリューションをより迅速に出荷できます。
• 最先端のパフォーマンス: モデル アーキテクチャ (多くの場合 JAX!) に対して最速のバックエンドを選択することで、他のフレームワークと比較して 20% から 350% の範囲で高速化を活用できます。ここでベンチマーク。
• データセンター規模のトレーニング: ラップトップから GPU または TPU の大規模クラスターまで自信を持って拡張できます。

急成長中のスタートアップからグローバル企業まで、約 300 万人の開発者に加わって Keras 3 のパワーを活用してください。

インストール

pipでインストール

Keras 3 は、PyPI でkerasとして入手できます。 Keras 2 はtf-kerasパッケージとして引き続き利用できることに注意してください。

1. kerasをインストールします。

 pip install keras --upgrade

2. バックエンド パッケージをインストールします。

kerasを使用するには、選択したバックエンドtensorflow 、 jax 、またはtorchもインストールする必要があります。特定の Keras 3 機能 (特定の前処理層やtf.dataパイプライン) を使用するには、 tensorflowが必要であることに注意してください。

ローカルインストール

最小限の設置

Keras 3 は Linux および MacOS システムと互換性があります。 Windows ユーザーの場合は、WSL2 を使用して Keras を実行することをお勧めします。ローカル開発バージョンをインストールするには:

1. 依存関係をインストールします。

 pip install -r requirements.txt

2. ルート ディレクトリからインストール コマンドを実行します。

 python pip_build.py --install

3. keras_exportパブリック API を更新する PR を作成するときに API 生成スクリプトを実行します。

 ./shell/api_gen.sh

GPUサポートの追加

requirements.txtファイルは、TensorFlow、JAX、および PyTorch の CPU のみのバージョンをインストールします。 GPU サポートについては、TensorFlow、JAX、および PyTorch 用の別のrequirements-{backend}-cuda.txtも提供します。これらはすべての CUDA 依存関係をpip経由でインストールし、NVIDIA ドライバーがプリインストールされていることを想定しています。 CUDA バージョンの不一致を避けるために、各バックエンドにクリーンな Python 環境を推奨します。例として、 condaを使用して Jax GPU 環境を作成する方法を次に示します。

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

バックエンドの構成

環境変数KERAS_BACKENDをエクスポートすることも、 ~/.keras/keras.jsonにあるローカル構成ファイルを編集してバックエンドを構成することもできます。利用可能なバックエンド オプションは、 "tensorflow" 、 "jax" 、 "torch"です。例：

 export KERAS_BACKEND="jax"

Colab では次のことができます。

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

import keras

注:バックエンドはkerasインポートする前に設定する必要があり、パッケージのインポート後にバックエンドを変更することはできません。

下位互換性

Keras 3 は、 tf.kerasのドロップイン代替品として機能することを目的としています (TensorFlow バックエンドを使用する場合)。既存のtf.kerasコードを取得し、 model.save()の呼び出しで最新の.keras形式が使用されていることを確認するだけで完了です。

tf.kerasモデルにカスタム コンポーネントが含まれていない場合は、JAX または PyTorch 上ですぐに実行を開始できます。

カスタム コンポーネント (カスタム レイヤやカスタムtrain_step()など) が含まれている場合は、通常、わずか数分でバックエンドに依存しない実装に変換できます。

さらに、Keras モデルは、使用しているバックエンドに関係なく、任意の形式のデータセットを使用できます。既存のtf.data.Datasetパイプラインまたは PyTorch DataLoadersを使用してモデルをトレーニングできます。

Keras 3 を使用する理由

• 任意のフレームワーク上で高レベルの Keras ワークフローを実行します。たとえば、JAX のスケーラビリティとパフォーマンス、または TensorFlow の実稼働エコシステム オプションなど、各フレームワークの利点を自由に活用できます。
• 任意のフレームワークの低レベルのワークフローで使用できるカスタム コンポーネント (レイヤー、モデル、メトリクスなど) を作成します。
  • Keras モデルを取得し、ネイティブ TF、JAX、または PyTorch で最初から作成されたトレーニング ループでトレーニングできます。
  • Keras モデルを取得し、PyTorch ネイティブModuleの一部として、または JAX ネイティブ モデル関数の一部として使用できます。
• フレームワークのロックインを回避して、ML コードを将来にわたって使用できるようにします。
• PyTorch ユーザーとして: ついに Keras のパワーと使いやすさにアクセスできるようになりました。
• JAX ユーザーとして: 十分な機能を備え、実戦テストされ、十分に文書化されたモデリングおよびトレーニング ライブラリにアクセスできます。

詳細については、Keras 3 リリースのお知らせをご覧ください。