Keras 3 : Le Deep Learning pour les Humains

Keras 3 est un framework de deep learning multi-backend, prenant en charge JAX, TensorFlow, PyTorch et OpenVINO (pour l'inférence uniquement). Construisez et entraînez facilement des modèles pour la vision par ordinateur, le traitement du langage naturel, le traitement audio, la prévision de séries temporelles, les systèmes de recommandation, etc.

• Développement accéléré de modèles : Livrez des solutions de deep learning plus rapidement grâce à l'UX haut niveau de Keras et à la disponibilité d'environnements d'exécution faciles à déboguer comme l'exécution eager de PyTorch ou JAX.
• Performances de pointe : En choisissant le backend le plus rapide pour votre architecture de modèle (souvent JAX !), bénéficiez d'accélérations allant de 20 % à 350 % par rapport aux autres frameworks. Voir les benchmarks ici.
• Entraînement à l'échelle des datacenters : Passez en toute confiance de votre ordinateur portable à de grands clusters de GPU ou TPU.

Rejoignez près de trois millions de développeurs, des startups émergentes aux entreprises mondiales, pour exploiter la puissance de Keras 3.

Installation

Installation avec pip

Keras 3 est disponible sur PyPI sous le nom keras. Notez que Keras 2 reste disponible sous le package tf-keras.

1. Installez keras :

pip install keras --upgrade

2. Installez le(s) package(s) backend.

Pour utiliser keras, vous devez également installer le backend de votre choix : tensorflow, jax ou torch. Notez que tensorflow est requis pour certaines fonctionnalités de Keras 3 : certaines couches de prétraitement ainsi que les pipelines tf.data.

Installation locale

Installation minimale

Keras 3 est compatible avec les systèmes Linux et MacOS. Pour les utilisateurs Windows, nous recommandons d'utiliser WSL2 pour exécuter Keras. Pour installer une version de développement locale :

1. Installez les dépendances :

pip install -r requirements.txt

2. Exécutez la commande d'installation depuis le répertoire racine.

python pip_build.py --install

3. Exécutez le script de génération d'API lors de la création de PR mettant à jour les API publiques keras_export :

./shell/api_gen.sh

Ajout du support GPU

Le fichier requirements.txt installera une version CPU-only de TensorFlow, JAX et PyTorch. Pour le support GPU, nous fournissons également un fichier séparé requirements-{backend}-cuda.txt pour TensorFlow, JAX et PyTorch. Ceux-ci installent toutes les dépendances CUDA via pip et nécessitent un pilote NVIDIA pré-installé. Nous recommandons un environnement python propre pour chaque backend afin d'éviter les incompatibilités de versions CUDA. Par exemple, voici comment créer un environnement Jax GPU avec 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

Configuration de votre backend

Vous pouvez exporter la variable d'environnement KERAS_BACKEND ou éditer votre fichier de configuration local à ~/.keras/keras.json pour configurer votre backend. Les options de backend disponibles sont : "tensorflow", "jax", "torch", "openvino". Exemple :

export KERAS_BACKEND="jax"

Dans Colab, vous pouvez faire :

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

import keras

Remarque : Le backend doit être configuré avant d'importer keras, et ne peut pas être modifié après que le package a été importé.

Remarque : Le backend OpenVINO est un backend dédié à l'inférence, conçu uniquement pour exécuter des prédictions de modèles en utilisant la méthode model.predict().

Compatibilité ascendante

Keras 3 est conçu pour fonctionner comme un remplacement direct de tf.keras (lors de l'utilisation du backend TensorFlow). Prenez simplement votre code existant tf.keras, assurez-vous que vos appels à model.save() utilisent le format .keras à jour, et c'est terminé.

Si votre modèle tf.keras ne contient pas de composants personnalisés, vous pouvez immédiatement l'exécuter avec JAX ou PyTorch.

S'il contient des composants personnalisés (par exemple des couches personnalisées ou un train_step() personnalisé), il est généralement possible de le convertir en une implémentation indépendante du backend en quelques minutes seulement.

De plus, les modèles Keras peuvent consommer des datasets dans n'importe quel format, quel que soit le backend utilisé : vous pouvez entraîner vos modèles avec vos pipelines tf.data.Dataset existants ou des DataLoaders PyTorch.

Pourquoi utiliser Keras 3 ?

• Exécutez vos workflows Keras haut niveau sur n'importe quel framework — bénéficiant à volonté des avantages de chaque framework, par exemple l'évolutivité et les performances de JAX ou les options d'écosystème de production de TensorFlow.
• Écrivez des composants personnalisés (par exemple des couches, modèles, métriques) que vous pouvez utiliser dans des workflows bas niveau avec n'importe quel framework.
  • Vous pouvez prendre un modèle Keras et l'entraîner dans une boucle d'entraînement écrite manuellement en TF natif, JAX ou PyTorch.
  • Vous pouvez prendre un modèle Keras et l'utiliser comme partie d'un Module PyTorch-natif ou comme partie d'une fonction de modèle JAX-native.
• Rendez votre code ML pérenne en évitant le verrouillage par un framework.
• En tant qu'utilisateur PyTorch : accédez enfin à la puissance et à l'ergonomie de Keras !
• En tant qu'utilisateur JAX : accédez à une bibliothèque de modélisation et d'entraînement complète, éprouvée et bien documentée.

En savoir plus dans l'annonce de sortie de Keras 3.