Keras 3: Aprendizaje Profundo para Humanos

Keras 3 es un framework de aprendizaje profundo multi-backend, con soporte para JAX, TensorFlow, PyTorch y OpenVINO (solo para inferencia). Construye y entrena modelos fácilmente para visión por computadora, procesamiento de lenguaje natural, procesamiento de audio, pronóstico de series temporales, sistemas de recomendación, etc.

• Desarrollo acelerado de modelos: Implementa soluciones de aprendizaje profundo más rápido gracias a la UX de alto nivel de Keras y la disponibilidad de entornos de ejecución fáciles de depurar como la ejecución eager de PyTorch o JAX.
• Rendimiento de vanguardia: Al elegir el backend más rápido para tu arquitectura de modelo (¡a menudo JAX!), obtén aceleraciones que van del 20% al 350% en comparación con otros frameworks. Benchmarks aquí.
• Entrenamiento a escala de centro de datos: Escala con confianza desde tu portátil hasta grandes clusters de GPUs o TPUs.

Únete a casi tres millones de desarrolladores, desde startups emergentes hasta empresas globales, aprovechando el poder de Keras 3.

Instalación

Instalar con pip

Keras 3 está disponible en PyPI como keras. Ten en cuenta que Keras 2 sigue disponible como el paquete tf-keras.

1. Instala keras:

pip install keras --upgrade

2. Instala el paquete del backend.

Para usar keras, también debes instalar el backend de tu elección: tensorflow, jax o torch. Nota que tensorflow es necesario para usar ciertas funciones de Keras 3: ciertas capas de preprocesamiento así como pipelines tf.data.

Instalación local

Instalación mínima

Keras 3 es compatible con sistemas Linux y MacOS. Para usuarios de Windows, recomendamos usar WSL2 para ejecutar Keras. Para instalar una versión local de desarrollo:

1. Instala las dependencias:

pip install -r requirements.txt

2. Ejecuta el comando de instalación desde el directorio raíz.

python pip_build.py --install

3. Ejecuta el script de generación de API al crear PRs que actualicen las APIs públicas de keras_export:

./shell/api_gen.sh

Añadiendo soporte para GPU

El archivo requirements.txt instalará una versión solo para CPU de TensorFlow, JAX y PyTorch. Para soporte de GPU, también proporcionamos un archivo separado requirements-{backend}-cuda.txt para TensorFlow, JAX y PyTorch. Estos instalan todas las dependencias de CUDA via pip y requieren que el controlador NVIDIA esté preinstalado. Recomendamos un entorno Python limpio para cada backend para evitar incompatibilidades de versiones de CUDA. Como ejemplo, aquí se muestra cómo crear un entorno Jax con GPU usando 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

Configurando tu backend

Puedes exportar la variable de entorno KERAS_BACKEND o editar tu archivo de configuración local en ~/.keras/keras.json para configurar tu backend. Las opciones disponibles son: "tensorflow", "jax", "torch", "openvino". Ejemplo:

export KERAS_BACKEND="jax"

En Colab, puedes hacer:

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

import keras

Nota: El backend debe configurarse antes de importar keras, y no se puede cambiar después de que el paquete haya sido importado.

Nota: El backend OpenVINO es solo para inferencia, lo que significa que está diseñado únicamente para ejecutar predicciones de modelos usando el método model.predict().

Compatibilidad con versiones anteriores

Keras 3 está diseñado para funcionar como un reemplazo directo de tf.keras (al usar el backend TensorFlow). Simplemente toma tu código existente de tf.keras, asegúrate de que tus llamadas a model.save() usen el formato actualizado .keras, y listo.

Si tu modelo de tf.keras no incluye componentes personalizados, puedes empezar a ejecutarlo sobre JAX o PyTorch inmediatamente.

Si incluye componentes personalizados (por ejemplo, capas personalizadas o un train_step() personalizado), generalmente es posible convertirlo a una implementación independiente del backend en solo unos minutos.

Además, los modelos de Keras pueden consumir conjuntos de datos en cualquier formato, independientemente del backend que estés usando: puedes entrenar tus modelos con tus pipelines existentes de tf.data.Dataset o DataLoaders de PyTorch.

¿Por qué usar Keras 3?

• Ejecuta tus flujos de trabajo de alto nivel de Keras sobre cualquier framework — beneficiándote a voluntad de las ventajas de cada framework, por ejemplo, la escalabilidad y rendimiento de JAX o las opciones del ecosistema de producción de TensorFlow.
• Escribe componentes personalizados (por ejemplo, capas, modelos, métricas) que puedas usar en flujos de trabajo de bajo nivel en cualquier framework.
  • Puedes tomar un modelo de Keras y entrenarlo en un bucle de entrenamiento escrito desde cero en TF nativo, JAX o PyTorch.
  • Puedes tomar un modelo de Keras y usarlo como parte de un Module nativo de PyTorch o como parte de una función de modelo nativa de JAX.
• Haz que tu código de ML sea futuro-resistente evitando el bloqueo en un framework específico.
• Como usuario de PyTorch: ¡obtén por fin el poder y usabilidad de Keras!
• Como usuario de JAX: accede a una biblioteca de modelado y entrenamiento completa, probada en batalla y bien documentada.

Lee más en el anuncio de lanzamiento de Keras 3.