keras

Keras 3: Aprendizado profundo para humanos

Keras 3 é uma estrutura de aprendizado profundo multibackend, com suporte para JAX, TensorFlow e PyTorch. Crie e treine modelos sem esforço para visão computacional, processamento de linguagem natural, processamento de áudio, previsão de séries temporais, sistemas de recomendação, etc.

• Desenvolvimento acelerado de modelos : forneça soluções de aprendizado profundo com mais rapidez graças à UX de alto nível do Keras e à disponibilidade de tempos de execução fáceis de depurar, como PyTorch ou execução rápida de JAX.
• Desempenho de última geração : ao escolher o back-end mais rápido para a arquitetura do seu modelo (geralmente JAX!), aproveite acelerações que variam de 20% a 350% em comparação com outras estruturas. Referência aqui.
• Treinamento em escala de datacenter : dimensione com confiança do seu laptop para grandes clusters de GPUs ou TPUs.

Junte-se a quase três milhões de desenvolvedores, desde startups em crescimento até empresas globais, para aproveitar o poder do Keras 3.

Instalação

Instalar com pip

Keras 3 está disponível no PyPI como keras . Observe que Keras 2 permanece disponível como pacote tf-keras .

1. Instale keras :

 pip install keras --upgrade

2. Instale pacotes de back-end.

Para usar keras , você também deve instalar o backend de sua escolha: tensorflow , jax ou torch . Observe que tensorflow é necessário para usar certos recursos do Keras 3: certas camadas de pré-processamento, bem como pipelines tf.data .

Instalação local

Instalação mínima

Keras 3 é compatível com sistemas Linux e MacOS. Para usuários do Windows, recomendamos o uso do WSL2 para executar o Keras. Para instalar uma versão de desenvolvimento local:

1. Instale dependências:

 pip install -r requirements.txt

2. Execute o comando de instalação do diretório raiz.

 python pip_build.py --install

3. Execute o script de geração de API ao criar PRs que atualizam APIs públicas keras_export :

 ./shell/api_gen.sh

Adicionando suporte para GPU

O arquivo requirements.txt instalará uma versão somente CPU do TensorFlow, JAX e PyTorch. Para suporte de GPU, também fornecemos requirements-{backend}-cuda.txt para TensorFlow, JAX e PyTorch. Eles instalam todas as dependências CUDA via pip e esperam que um driver NVIDIA seja pré-instalado. Recomendamos um ambiente python limpo para cada back-end para evitar incompatibilidades de versão CUDA. Por exemplo, aqui está como criar um ambiente de GPU Jax com 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 seu back-end

Você pode exportar a variável de ambiente KERAS_BACKEND ou pode editar seu arquivo de configuração local em ~/.keras/keras.json para configurar seu back-end. As opções de back-end disponíveis são: "tensorflow" , "jax" , "torch" . Exemplo:

 export KERAS_BACKEND="jax"

No Colab, você pode fazer:

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

import keras

Nota: O back-end deve ser configurado antes da importação keras e não pode ser alterado após a importação do pacote.

Compatibilidade com versões anteriores

Keras 3 foi projetado para funcionar como um substituto imediato para tf.keras (ao usar o back-end do TensorFlow). Basta pegar seu código tf.keras existente, certificar-se de que suas chamadas para model.save() estejam usando o formato .keras atualizado e pronto.

Se o seu modelo tf.keras não incluir componentes personalizados, você poderá começar a executá-lo no JAX ou PyTorch imediatamente.

Se incluir componentes personalizados (por exemplo, camadas personalizadas ou train_step() ), geralmente é possível convertê-lo em uma implementação independente de back-end em apenas alguns minutos.

Além disso, os modelos Keras podem consumir conjuntos de dados em qualquer formato, independentemente do back-end que você está usando: você pode treinar seus modelos com seus pipelines tf.data.Dataset existentes ou PyTorch DataLoaders .

Por que usar Keras 3?

• Execute seus fluxos de trabalho Keras de alto nível em qualquer estrutura, beneficiando-se à vontade das vantagens de cada estrutura, por exemplo, a escalabilidade e o desempenho do JAX ou as opções de ecossistema de produção do TensorFlow.
• Escreva componentes personalizados (por exemplo, camadas, modelos, métricas) que você pode usar em fluxos de trabalho de baixo nível em qualquer estrutura.
  • Você pode pegar um modelo Keras e treiná-lo em um loop de treinamento escrito do zero em TF, JAX ou PyTorch nativo.
  • Você pode pegar um modelo Keras e usá-lo como parte de um Module nativo PyTorch ou como parte de uma função de modelo nativa JAX.
• Torne seu código de ML preparado para o futuro, evitando o aprisionamento da estrutura.
• Como usuário do PyTorch: finalmente tenha acesso ao poder e à usabilidade do Keras!
• Como usuário JAX: obtenha acesso a uma biblioteca de modelagem e treinamento completa, testada em batalha e bem documentada.

Leia mais no anúncio de lançamento do Keras 3.