keras

Керас 3: глубокое обучение для людей

Keras 3 — это многоуровневая платформа глубокого обучения с поддержкой JAX, TensorFlow и PyTorch. Легко создавайте и обучайте модели для компьютерного зрения, обработки естественного языка, обработки звука, прогнозирования временных рядов, рекомендательных систем и т. д.

• Ускоренная разработка моделей . Ускорьте выпуск решений глубокого обучения благодаря высокоуровневому пользовательскому интерфейсу Keras и наличию простых в отладке сред выполнения, таких как PyTorch или JAX.
• Самая современная производительность : выбрав самый быстрый бэкэнд для архитектуры вашей модели (часто JAX!), вы получите ускорение от 20% до 350% по сравнению с другими платформами. Ориентир здесь.
• Обучение в масштабе центра обработки данных . Уверенное масштабирование от вашего ноутбука до больших кластеров графических процессоров или TPU.

Присоединяйтесь к почти трем миллионам разработчиков, от растущих стартапов до глобальных корпораций, и используйте возможности Keras 3.

Установка

Установить с помощью пипа

Keras 3 доступен на PyPI как keras . Обратите внимание, что Keras 2 по-прежнему доступен в виде пакета tf-keras .

1. Установите keras :

 pip install keras --upgrade

2. Установите серверные пакеты.

Чтобы использовать keras , вам также следует установить выбранный вами бэкенд: tensorflow , jax или torch . Обратите внимание, что tensorflow необходим для использования определенных функций Keras 3: определенных слоев предварительной обработки, а также конвейеров tf.data .

Локальная установка

Минимальная установка

Keras 3 совместим с системами Linux и MacOS. Пользователям Windows мы рекомендуем использовать WSL2 для запуска Keras. Чтобы установить локальную версию разработки:

1. Установите зависимости:

 pip install -r requirements.txt

2. Запустите команду установки из корневого каталога.

 python pip_build.py --install

3. Запустите сценарий генерации API при создании PR, которые обновляют общедоступные API keras_export :

 ./shell/api_gen.sh

Добавление поддержки графического процессора

Файл requirements.txt установит версии TensorFlow, JAX и PyTorch только для ЦП. Для поддержки графического процессора мы также предоставляем отдельный requirements-{backend}-cuda.txt для TensorFlow, JAX и PyTorch. Они устанавливают все зависимости CUDA через pip и ожидают, что драйвер NVIDIA будет предварительно установлен. Мы рекомендуем использовать чистую среду Python для каждого бэкэнда, чтобы избежать несоответствия версий CUDA. В качестве примера ниже показано, как создать среду графического процессора Jax с помощью 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

Настройка вашего бэкэнда

Вы можете экспортировать переменную среды KERAS_BACKEND или отредактировать локальный файл конфигурации ~/.keras/keras.json чтобы настроить свой бэкэнд. Доступные параметры бэкэнда: "tensorflow" , "jax" , "torch" . Пример:

 export KERAS_BACKEND="jax"

В Colab вы можете:

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

import keras

Примечание. Серверная часть должна быть настроена перед импортом keras , и ее нельзя изменить после импорта пакета.

Обратная совместимость

Keras 3 предназначен для замены tf.keras (при использовании бэкэнда TensorFlow). Просто возьмите существующий код tf.keras , убедитесь, что ваши вызовы model.save() используют актуальный формат .keras , и все готово.

Если ваша модель tf.keras не содержит пользовательских компонентов, вы можете немедленно запустить ее поверх JAX или PyTorch.

Если он включает пользовательские компоненты (например, пользовательские слои или собственный train_step() ), обычно можно преобразовать его в независимую от серверной части реализацию всего за несколько минут.

Кроме того, модели Keras могут использовать наборы данных в любом формате, независимо от используемого вами бэкэнда: вы можете обучать свои модели с помощью существующих конвейеров tf.data.Dataset или PyTorch DataLoaders .

Зачем использовать Керас 3?

• Запускайте высокоуровневые рабочие процессы Keras поверх любой платформы, по своему желанию извлекая выгоду из преимуществ каждой платформы, например, масштабируемости и производительности JAX или возможностей производственной экосистемы TensorFlow.
• Создавайте собственные компоненты (например, слои, модели, метрики), которые можно использовать в низкоуровневых рабочих процессах в любой среде.
  • Вы можете взять модель Keras и обучить ее в цикле обучения, написанном с нуля на родном TF, JAX или PyTorch.
  • Вы можете взять модель Keras и использовать ее как часть собственного Module PyTorch или как часть функции собственной модели JAX.
• Сделайте свой код машинного обучения перспективным, избегая привязки к платформе.
• Как пользователь PyTorch: наконец-то получите доступ к возможностям и удобству использования Keras!
• Как пользователь JAX: получите доступ к полнофункциональной, проверенной в боевых условиях, хорошо документированной библиотеке моделирования и обучения.

Подробности читайте в объявлении о выпуске Keras 3.