多后端Keras。
项目描述
Keras 3：面向人类的深度学习
Keras 3是一个支持JAX、TensorFlow和PyTorch的多后端深度学习框架。轻松构建和训练用于计算机视觉、自然语言处理、音频处理、时间序列预测、推荐系统等的模型。
- 加速模型开发：凭借Keras的高级用户体验和易于调试的运行时（如PyTorch或JAX eager执行），更快地部署深度学习解决方案。
- 最先进的性能：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，速度提升可达20%至350%。在此处进行基准测试。
- 数据中心规模训练：从笔记本电脑扩展到大型GPU或TPU集群，自信地进行扩展。
加入近三百万开发者，从新兴初创公司到全球企业，共同利用Keras 3的力量。
安装
使用pip安装
Keras 3可在PyPI上作为keras获取。请注意，Keras 2仍然作为tf-keras包可用。
- 安装
keras
pip install keras --upgrade
- 安装后端包。
要使用 keras，您还需要安装所选后端：tensorflow、jax 或 torch。请注意，使用某些 Keras 3 功能（例如某些预处理层以及 tf.data 管道）需要 tensorflow。
本地安装
最小安装
Keras 3 与 Linux 和 MacOS 系统兼容。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
- 安装依赖项
pip install -r requirements.txt
- 从根目录运行安装命令。
python pip_build.py --install
- 当创建更新
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 TensorFlow、JAX 和 PyTorch 的仅 CPU 版本。对于 GPU 支持，我们为 TensorFlow、JAX 和 PyTorch 提供了单独的 requirements-{backend}-cuda.txt 文件。这些文件通过 pip 安装所有 CUDA 依赖项，并假定已预先安装了 NVIDIA 驱动程序。我们建议为每个后端创建一个干净的 Python 环境，以避免 CUDA 版本不匹配。以下是如何使用 conda 创建 Jax GPU 环境的示例
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
您可以将环境变量 KERAS_BACKEND 导出，或者您可以在 ~/.keras/keras.json 的本地配置文件中编辑以配置您的后端。可用的后端选项是："tensorflow"、"jax"、"torch"。示例
export KERAS_BACKEND="jax"
在 Colab 中，您可以这样做
import os
os.environ["KERAS_BACKEND"] = "jax"
import keras
注意：必须在导入 keras 之前配置后端，并且导入包之后无法更改后端。
向下兼容性
Keras 3 的目的是作为 tf.keras（使用 TensorFlow 后端时）的即插即用替换。只需使用现有的 tf.keras 代码，确保您的 model.save() 调用使用最新的 .keras 格式，然后您就完成了。
如果您的 tf.keras 模型不包含自定义组件，您可以直接在 JAX 或 PyTorch 上运行它。
如果它包含自定义组件（例如自定义层或自定义 train_step()），通常可以在几分钟内将其转换为与后端无关的实现。
此外，Keras 模型可以以任何格式消耗数据集，无论您使用的是哪个后端：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？
- 在任意框架上运行您的高级 Keras 工作流程 -- 随意享受每个框架的优势，例如 JAX 的可扩展性和性能或 TensorFlow 的生产生态系统选项。
- 编写您可以在任何框架的低级工作流程中使用的自定义组件（例如层、模型、度量）。
- 您可以在从头开始编写的原生 TF、JAX 或 PyTorch 训练循环中训练 Keras 模型。
- 您可以将 Keras 模型用作 PyTorch 本地
Module或 JAX 本地模型函数的一部分。
- 通过避免框架锁定，使您的 ML 代码面向未来。
- 作为 PyTorch 用户：终于可以访问 Keras 的强大功能和易用性了！
- 作为 JAX 用户：可以访问一个功能齐全、经过实战检验、文档丰富的建模和训练库。
有关更多信息，请参阅 Keras 3 发布公告。
下载文件
下载适合您平台的文件。如果您不确定选择哪个，请了解更多关于安装包的信息。
源分发
构建版本
keras-3.6.0.tar.gz 的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 405727525a3522ed8f9ec0b46e0667e4c65fcf714a067322c16a00d902ded41d |
|
| MD5 | 754b490bae5fe2d99f6e9b9ca006b7af |
|
| BLAKE2b-256 | 4722448401abc7deaee90592c48c5dcc27ad93518b605655bef7ec5eb9544fe5 |
keras-3.6.0-py3-none-any.whl 的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 49585e4577f6e86bd890d96dfbcb1890f5bab5967ef831c07fd63f9d86e4bfe9 |
|
| MD5 | 1efed1d1e1281d6da1ce1a4894eb1626 |
|
| BLAKE2b-256 | c288eef50051a772dcb4433d1f3e4c1d6576ba450fe83e89d028d7e8b85a2122 |