Keras 3: Deep Learning für Menschen

Keras 3 ist ein Multi-Backend Deep-Learning-Framework mit Unterstützung für JAX, TensorFlow, PyTorch und OpenVINO (nur für Inferenz). Erstellen und trainieren Sie mühelos Modelle für Computer Vision, Natural Language Processing, Audioverarbeitung, Zeitreihenvorhersage, Empfehlungssysteme und mehr.

• Beschleunigte Modellentwicklung: Schnellere Bereitstellung von Deep-Learning-Lösungen dank der hochwertigen Benutzeroberfläche von Keras und der Verfügbarkeit von leicht debuggbaren Laufzeitumgebungen wie PyTorch oder JAX eager execution.
• Höchste Leistung: Wählen Sie das Backend, das für Ihre Modellarchitektur am schnellsten ist (oft JAX!), und profitieren Sie von Geschwindigkeitssteigerungen zwischen 20 % und 350 % im Vergleich zu anderen Frameworks. Benchmarks hier.
• Training im Rechenzentrumsmaßstab: Skalieren Sie problemlos von Ihrem Laptop bis hin zu großen GPU- oder TPU-Clustern.

Nutzen Sie die Kraft von Keras 3 gemeinsam mit fast drei Millionen Entwicklern – von aufstrebenden Startups bis hin zu globalen Unternehmen.

Installation

Installation mit pip

Keras 3 ist auf PyPI als keras verfügbar. Beachten Sie, dass Keras 2 weiterhin als tf-keras-Paket verfügbar ist.

1. Installieren Sie keras:

pip install keras --upgrade

2. Installieren Sie die Backend-Pakete.

Um keras zu verwenden, sollten Sie auch das gewünschte Backend installieren: tensorflow, jax oder torch. Beachten Sie, dass tensorflow für bestimmte Keras-3-Funktionen erforderlich ist: bestimmte Preprocessing-Layer sowie tf.data-Pipelines.

Lokale Installation

Minimale Installation

Keras 3 ist mit Linux- und MacOS-Systemen kompatibel. Für Windows-Benutzer empfehlen wir die Verwendung von WSL2 zum Ausführen von Keras. So installieren Sie eine lokale Entwicklungsversion:

1. Installieren Sie die Abhängigkeiten:

pip install -r requirements.txt

2. Führen Sie den Installationsbefehl aus dem Stammverzeichnis aus.

python pip_build.py --install

3. Führen Sie das API-Generierungsskript aus, wenn Sie Pull Requests erstellen, die die öffentlichen APIs von keras_export aktualisieren:

./shell/api_gen.sh

GPU-Unterstützung hinzufügen

Die Datei requirements.txt installiert eine CPU-only-Version von TensorFlow, JAX und PyTorch. Für GPU-Unterstützung bieten wir separate Dateien requirements-{backend}-cuda.txt für TensorFlow, JAX und PyTorch an. Diese installieren alle CUDA- Abhängigkeiten über pip und setzen eine vorinstallierte NVIDIA-Treiber voraus. Wir empfehlen eine saubere Python-Umgebung für jedes Backend, um CUDA-Versionskonflikte zu vermeiden. Hier ist ein Beispiel, wie Sie eine JAX-GPU-Umgebung mit conda erstellen:

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

Konfiguration Ihres Backends

Sie können die Umgebungsvariable KERAS_BACKEND exportieren oder die lokale Konfigurationsdatei unter ~/.keras/keras.json bearbeiten, um Ihr Backend zu konfigurieren. Verfügbare Backend-Optionen sind: "tensorflow", "jax", "torch", "openvino". Beispiel:

export KERAS_BACKEND="jax"

In Colab können Sie folgendes tun:

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

import keras

Hinweis: Das Backend muss konfiguriert werden, bevor keras importiert wird, und das Backend kann nicht geändert werden, nachdem das Paket importiert wurde.

Hinweis: Das OpenVINO-Backend ist ein Inferenz-only-Backend, d.h. es ist nur für die Ausführung von Modellvorhersagen mit der Methode model.predict() vorgesehen.

Abwärtskompatibilität

Keras 3 soll als direkter Ersatz für tf.keras fungieren (bei Verwendung des TensorFlow-Backends). Nehmen Sie einfach Ihren bestehenden tf.keras-Code, stellen Sie sicher, dass Ihre Aufrufe von model.save() das aktuelle .keras-Format verwenden, und schon sind Sie fertig.

Wenn Ihr tf.keras-Modell keine benutzerdefinierten Komponenten enthält, können Sie es sofort auf JAX oder PyTorch ausführen.

Falls es benutzerdefinierte Komponenten enthält (z.B. benutzerdefinierte Layer oder einen benutzerdefinierten train_step()), ist es meist möglich, diese in wenigen Minuten in eine backend-unabhängige Implementierung umzuwandeln.

Darüber hinaus können Keras-Modelle Datensätze in jedem Format verarbeiten, unabhängig vom verwendeten Backend: Sie können Ihre Modelle mit bestehenden tf.data.Dataset-Pipelines oder PyTorch-DataLoadern trainieren.

Warum Keras 3 verwenden?

• Führen Sie Ihre hochwertigen Keras-Workflows auf jedem Framework aus – und profitieren Sie nach Belieben von den Vorteilen jedes Frameworks, z.B. der Skalierbarkeit und Leistung von JAX oder den Produktionsökosystem-Optionen von TensorFlow.
• Schreiben Sie benutzerdefinierte Komponenten (z.B. Layer, Modelle, Metriken), die Sie in Low-Level-Workflows in jedem Framework verwenden können.
  • Sie können ein Keras-Modell nehmen und es in einer von Grund auf in nativen TF, JAX oder PyTorch geschriebenen Trainingsschleife trainieren.
  • Sie können ein Keras-Modell als Teil eines PyTorch-nativen Module oder als Teil einer JAX-nativen Modellfunktion verwenden.
• Machen Sie Ihren ML-Code zukunftssicher, indem Sie Framework-Lock-in vermeiden.
• Als PyTorch-Benutzer: Endlich Zugang zur Leistung und Benutzerfreundlichkeit von Keras!
• Als JAX-Benutzer: Zugang zu einer vollständigen, erprobten und gut dokumentierten Modellierungs- und Trainingsbibliothek.

Lesen Sie mehr in der Keras-3-Release-Ankündigung.