keras

Keras 3: การเรียนรู้เชิงลึกสำหรับมนุษย์

Keras 3 เป็นเฟรมเวิร์กการเรียนรู้เชิงลึกแบบหลายแบ็กเอนด์ พร้อมรองรับ JAX, TensorFlow และ PyTorch สร้างและฝึกโมเดลสำหรับคอมพิวเตอร์วิทัศน์ การประมวลผลภาษาธรรมชาติ การประมวลผลเสียง การพยากรณ์อนุกรมเวลา ระบบผู้แนะนำ ฯลฯ ได้อย่างง่ายดาย

• การพัฒนาโมเดลแบบเร่งรัด : จัดส่งโซลูชันการเรียนรู้เชิงลึกได้เร็วขึ้นด้วย UX ระดับสูงของ Keras และความพร้อมใช้งานของรันไทม์ที่แก้ไขข้อบกพร่องได้ง่าย เช่น การดำเนินการอย่างกระตือรือร้นของ PyTorch หรือ JAX
• ประสิทธิภาพล้ำสมัย : ด้วยการเลือกแบ็กเอนด์ที่เร็วที่สุดสำหรับสถาปัตยกรรมโมเดลของคุณ (มักจะเป็น JAX!) ใช้ประโยชน์จากการเร่งความเร็วได้ตั้งแต่ 20% ถึง 350% เมื่อเทียบกับเฟรมเวิร์กอื่น ๆ เกณฑ์มาตรฐานที่นี่
• การฝึกอบรมระดับศูนย์ข้อมูล : ปรับขนาดอย่างมั่นใจจากแล็ปท็อปของคุณไปยังกลุ่ม GPU หรือ TPU ขนาดใหญ่

เข้าร่วมกับนักพัฒนาเกือบสามล้านคน ตั้งแต่สตาร์ทอัพที่กำลังเติบโตไปจนถึงองค์กรระดับโลก ในการใช้พลังของ Keras 3

การติดตั้ง

ติดตั้งด้วย pip

Keras 3 มีอยู่บน PyPI ในชื่อ keras โปรดทราบว่า Keras 2 ยังคงมีให้บริการเป็นแพ็คเกจ tf-keras

1. ติดตั้ง keras :

 pip install keras --upgrade

2. ติดตั้งแพ็คเกจแบ็กเอนด์

หากต้องการใช้ keras คุณควรติดตั้งแบ็กเอนด์ที่ต้องการ: tensorflow , jax หรือ torch โปรดทราบว่าจำเป็นต้องใช้ tensorflow เพื่อใช้คุณสมบัติบางอย่างของ Keras 3: เลเยอร์การประมวลผลล่วงหน้าบางเลเยอร์ รวมถึงไปป์ไลน์ tf.data

การติดตั้งในท้องถิ่น

การติดตั้งขั้นต่ำ

Keras 3 เข้ากันได้กับระบบ Linux และ MacOS สำหรับผู้ใช้ Windows เราขอแนะนำให้ใช้ WSL2 เพื่อรัน Keras หากต้องการติดตั้งเวอร์ชันการพัฒนาในเครื่อง:

1. ติดตั้งการพึ่งพา:

 pip install -r requirements.txt

2. รันคำสั่งการติดตั้งจากไดเร็กทอรีราก

 python pip_build.py --install

3. เรียกใช้สคริปต์การสร้าง API เมื่อสร้าง PR ที่อัปเดต keras_export API สาธารณะ:

 ./shell/api_gen.sh

การเพิ่มการรองรับ GPU

ไฟล์ requirements.txt จะติดตั้ง TensorFlow, JAX และ PyTorch เวอร์ชัน CPU เท่านั้น สำหรับการรองรับ GPU เรายังจัดเตรียม requirements-{backend}-cuda.txt แยกต่างหากสำหรับ TensorFlow, JAX และ PyTorch สิ่งเหล่านี้จะติดตั้งการพึ่งพา CUDA ทั้งหมดผ่าน pip และคาดว่าจะติดตั้งไดรเวอร์ NVIDIA ไว้ล่วงหน้า เราขอแนะนำสภาพแวดล้อม Python ที่สะอาดสำหรับแบ็กเอนด์แต่ละรายการเพื่อหลีกเลี่ยงเวอร์ชัน CUDA ที่ไม่ตรงกัน ตามตัวอย่าง นี่คือวิธีสร้างสภาพแวดล้อม Jax GPU ด้วย 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

การกำหนดค่าแบ็กเอนด์ของคุณ

คุณสามารถส่งออกตัวแปรสภาพแวดล้อม KERAS_BACKEND หรือคุณสามารถแก้ไขไฟล์กำหนดค่าในเครื่องได้ที่ ~/.keras/keras.json เพื่อกำหนดค่าแบ็กเอนด์ของคุณ ตัวเลือกแบ็กเอนด์ที่ใช้ได้คือ: "tensorflow" , "jax" , "torch" ตัวอย่าง:

 export KERAS_BACKEND="jax"

ใน Colab คุณทำสิ่งต่อไปนี้ได้

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

import keras

หมายเหตุ: ต้องกำหนดค่าแบ็กเอนด์ก่อนที่จะนำเข้า keras และไม่สามารถเปลี่ยนแปลงแบ็กเอนด์ได้หลังจากนำเข้าแพ็คเกจแล้ว

ความเข้ากันได้ย้อนหลัง

Keras 3 มีวัตถุประสงค์เพื่อใช้แทนแบบดรอปอินสำหรับ tf.keras (เมื่อใช้แบ็กเอนด์ TensorFlow) เพียงใช้โค้ด tf.keras ที่มีอยู่ ตรวจสอบให้แน่ใจว่าการเรียก model.save() ใช้รูปแบบ .keras ที่เป็นปัจจุบัน เท่านี้ก็เรียบร้อย

หากโมเดล tf.keras ของคุณไม่มีส่วนประกอบแบบกำหนดเอง คุณสามารถเริ่มรันบน JAX หรือ PyTorch ได้ทันที

หากมีส่วนประกอบที่กำหนดเอง (เช่น เลเยอร์ที่กำหนดเองหรือ train_step() ที่กำหนดเอง) ก็มักจะเป็นไปได้ที่จะแปลงเป็นการใช้งานที่ไม่เชื่อเรื่องพระเจ้าแบ็กเอนด์ได้ในเวลาเพียงไม่กี่นาที

นอกจากนี้ โมเดล Keras สามารถใช้ชุดข้อมูลในรูปแบบใดก็ได้ ไม่ว่าคุณจะใช้แบ็กเอนด์ใดก็ตาม: คุณสามารถฝึกโมเดลของคุณด้วยไปป์ไลน์ tf.data.Dataset หรือ PyTorch DataLoaders ที่มีอยู่

ทำไมต้องใช้ Keras 3

• เรียกใช้เวิร์กโฟลว์ Keras ระดับสูงของคุณบนเฟรมเวิร์กใดก็ได้ โดยรับประโยชน์ตามต้องการจากข้อดีของแต่ละเฟรมเวิร์ก เช่น ความสามารถในการปรับขนาดและประสิทธิภาพของ JAX หรือตัวเลือกระบบนิเวศการผลิตของ TensorFlow
• เขียนส่วนประกอบที่กำหนดเอง (เช่น เลเยอร์ โมเดล เมตริก) ที่คุณสามารถใช้ในเวิร์กโฟลว์ระดับต่ำในเฟรมเวิร์กใดก็ได้
  • คุณสามารถใช้โมเดล Keras และฝึกฝนมันในลูปการฝึกที่เขียนตั้งแต่ต้นใน Native TF, JAX หรือ PyTorch
  • คุณสามารถใช้โมเดล Keras และใช้เป็นส่วนหนึ่งของ Module PyTorch-native หรือเป็นส่วนหนึ่งของฟังก์ชันโมเดล JAX-native
• ทำให้โค้ด ML ของคุณปลอดภัยในอนาคตโดยหลีกเลี่ยงการล็อคอินเฟรมเวิร์ก
• ในฐานะผู้ใช้ PyTorch: เข้าถึงพลังและการใช้งาน Keras ในที่สุด!
• ในฐานะผู้ใช้ JAX: เข้าถึงไลบรารีการสร้างแบบจำลองและการฝึกอบรมที่มีคุณสมบัติครบถ้วน ผ่านการทดสอบการต่อสู้ มีเอกสารประกอบอย่างดี

อ่านเพิ่มเติมในประกาศการเปิดตัว Keras 3