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。轻松构建和训练模型，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。
- 加速模型开发：得益于Keras的高级用户界面以及易于调试的运行时（如PyTorch或JAX急切执行），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，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：自信地从您的笔记本电脑扩展到大型GPU或TPU集群。
加入近三百万开发者，从初创企业到全球企业，利用Keras 3的力量。
安装
使用pip安装
Keras 3在PyPI上作为keras提供。请注意，Keras 2仍然以tf-keras包的形式提供。
- 安装
keras
pip install keras --upgrade
- 安装后端包。
要使用 keras，您还应该安装所选的后端：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 兼容 Linux 和 MacOS 系统。对于 Windows 用户，我们建议使用 WSL2 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，我们还为 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 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
您可以导出环境变量 KERAS_BACKEND，或者您可以编辑本地配置文件 ~/.keras/keras.json 来配置您的后端。可用的后端选项有："tensorflow"、"jax"、"torch"。示例
export KERAS_BACKEND="jax"
In Colab，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，并且在导入包之后不能更改后端。
向后兼容性
Keras 3 的目的是作为 tf.keras 的替换品使用（当使用 TensorFlow 后端时）。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，即可完成。
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()），通常只需几分钟就可以将其转换为后端无关的实现。
此外，Keras 模型可以以任何格式消耗数据集，无论您使用的是哪种后端：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。
- 编写自定义组件（例如层、模型、度量）以供您在任何框架的低级工作流程中使用。
- 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的部分或 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：可以访问一个功能全面、经过实战检验、文档齐全的建模和训练库。
更多内容请参阅 Keras 3 发布公告。
下载文件
下载适合您平台的文件。如果您不确定该选择哪个，请了解更多关于 安装包 的信息。
源代码分发
构建分发
keras_nightly-3.6.0.dev2024100403.tar.gz 的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | e5df700dfd986ef650876b8f6ff520e55dac0668bd92fb013f30ef20fa243741 |
|
| MD5 | cd732ae0cd2c74b9038a677f92663a9c |
|
| BLAKE2b-256 | 8fbc72bce91fd9fc9d99fc00abf30e601b5832eff7534c9259389ea6c94cff6d |
哈希值 用于 keras_nightly-3.6.0.dev2024100403-py3-none-any.whl
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | eb1ec3bccf927f21b5c7e41ff9f1117cad946881127db01b3d2534ead4a0215c |
|
| MD5 | 25ee3a7dcbd709186223955027b02cec |
|
| BLAKE2b-256 | 5452e8d21e791c2c4b260c0fb419c602957354bcc0d096a8a071614a2740e5bd |
