keras

Keras 3：人类深度学习

Keras 3 是一个多后端深度学习框架，支持 JAX、TensorFlow 和 PyTorch。轻松构建和训练计算机视觉、自然语言处理、音频处理、时间序列预测、推荐系统等模型。

• 加速模型开发：得益于 Keras 的高级用户体验以及 PyTorch 或 JAX eagerexecution 等易于调试的运行时的可用性，可以更快地交付深度学习解决方案。
• 最先进的性能：通过选择最适合您的模型架构的后端（通常是 JAX！），与其他框架相比，可实现 20% 到 350% 的加速。基准在这里。
• 数据中心规模的训练：自信地从笔记本电脑扩展到大型 GPU 或 TPU 集群。

与近 300 万开发人员（从新兴初创公司到跨国企业）一起利用 Keras 3 的强大功能。

安装

使用 pip 安装

Keras 3 在 PyPI 上以keras形式提供。请注意，Keras 2 仍可作为tf-keras软件包使用。

1. 安装keras ：

 pip install keras --upgrade

2. 安装后端包。

要使用keras ，您还应该安装选择的后端： tensorflow 、 jax或torch 。请注意，使用某些 Keras 3 功能需要tensorflow ：某些预处理层以及tf.data管道。

本地安装

最小化安装

Keras 3 兼容 Linux 和 MacOS 系统。对于 Windows 用户，我们建议使用 WSL2 来运行 Keras。要安装本地开发版本：

1. 安装依赖项：

 pip install -r requirements.txt

2. 从根目录运行安装命令。

 python pip_build.py --install

3. 创建更新keras_export公共 API 的 PR 时运行 API 生成脚本：

 ./shell/api_gen.sh

添加 GPU 支持

requirements.txt文件将安装仅 CPU 版本的 TensorFlow、JAX 和 PyTorch。对于GPU支持，我们还为TensorFlow、JAX和PyTorch提供了单独的requirements-{backend}-cuda.txt 。它们通过pip安装所有 CUDA 依赖项，并期望预安装 NVIDIA 驱动程序。我们建议每个后端使用干净的 python 环境，以避免 CUDA 版本不匹配。作为示例，以下是如何使用conda创建 Jax GPU 环境：

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

配置您的后端

您可以导出环境变量KERAS_BACKEND ，也可以在~/.keras/keras.json编辑本地配置文件来配置后端。可用的后端选项有： "tensorflow" 、 "jax" 、 "torch" 。例子：

 export KERAS_BACKEND="jax"

在 Colab 中，您可以执行以下操作：

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

import keras

注意：导入keras之前必须配置后端，导入包后不能更改后端。

向后兼容性

Keras 3 旨在作为tf.keras的直接替代品（当使用 TensorFlow 后端时）。只需使用现有的tf.keras代码，确保对model.save()调用使用最新的.keras格式，然后就完成了。

如果您的tf.keras模型不包含自定义组件，您可以立即开始在 JAX 或 PyTorch 上运行它。

如果它确实包含自定义组件（例如自定义层或自定义train_step() ），通常可以在短短几分钟内将其转换为与后端无关的实现。

此外，Keras 模型可以使用任何格式的数据集，无论您使用的后端是什么：您可以使用现有的tf.data.Dataset管道或 PyTorch DataLoaders来训练模型。

为什么使用 Keras 3？

• 在任何框架之上运行高级 Keras 工作流程 - 随意受益于每个框架的优势，例如 JAX 的可扩展性和性能或 TensorFlow 的生产生态系统选项。
• 编写可在任何框架的低级工作流中使用的自定义组件（例如层、模型、指标）。
  • 您可以采用 Keras 模型，并在用本机 TF、JAX 或 PyTorch 从头开始​​编写的训练循环中对其进行训练。
  • 您可以采用 Keras 模型并将其用作 PyTorch 原生Module的一部分或 JAX 原生模型函数的一部分。
• 通过避免框架锁定，让您的 ML 代码面向未来。
• 作为 PyTorch 用户：终于可以使用 Keras 的强大功能和可用性了！
• 作为 JAX 用户：可以访问功能齐全、经过实战测试、文档齐全的建模和培训库。

请阅读 Keras 3 发布公告了解更多信息。