Keras 3: 人間のためのディープラーニング

Keras 3はマルチバックエンドのディープラーニングフレームワークで、JAX、TensorFlow、PyTorch、OpenVINO（推論専用）をサポートしています。 コンピュータビジョン、自然言語処理、音声処理、時系列予測、レコメンダーシステムなどのモデルを簡単に構築・トレーニングできます。

• 加速されたモデル開発: Kerasの高レベルUXとPyTorchやJAXのeager executionのようなデバッグしやすいランタイムにより、ディープラーニングソリューションを迅速に提供
• 最先端のパフォーマンス: モデルアーキテクチャに最適なバックエンド（多くの場合JAX!）を選択することで、他のフレームワークと比べて20%から350%の高速化を実現。ベンチマークはこちら
• データセンター規模のトレーニング: ノートパソコンから大規模なGPU/TPUクラスターまで自信を持ってスケール

新興スタートアップからグローバル企業まで、300万人近い開発者がKeras 3の力を活用しています。

インストール

pipでのインストール

Keras 3はPyPIでkerasとして利用可能です。Keras 2はtf-kerasパッケージとして引き続き利用可能です。

1. kerasをインストール:

pip install keras --upgrade

2. バックエンドパッケージをインストール

kerasを使用するには、選択したバックエンド(tensorflow、jax、torch)もインストールする必要があります。 特定の前処理レイヤーやtf.dataパイプラインなど、一部のKeras 3機能を使用するにはtensorflowが必要です。

ローカルインストール

最小限のインストール

Keras 3はLinuxとMacOSシステムと互換性があります。WindowsユーザーにはWSL2での実行を推奨します。 開発バージョンをローカルにインストールするには:

1. 依存関係をインストール:

pip install -r requirements.txt

2. ルートディレクトリからインストールコマンドを実行

python pip_build.py --install

3. keras_exportパブリックAPIを更新するPR作成時にAPI生成スクリプトを実行:

./shell/api_gen.sh

GPUサポートの追加

requirements.txtファイルはTensorFlow、JAX、PyTorchのCPU専用バージョンをインストールします。GPUサポートのために、TensorFlow、JAX、PyTorch用に別々のrequirements-{backend}-cuda.txtも提供しています。これらはすべてのCUDA依存関係をpip経由でインストールし、NVIDIAドライバーが事前にインストールされていることを想定しています。CUDAバージョンの不一致を避けるため、各バックエンドごとにクリーンなPython環境を作成することを推奨します。例として、condaでJax GPU環境を作成する方法:

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

バックエンドの設定

環境変数KERAS_BACKENDをエクスポートするか、~/.keras/keras.jsonにあるローカル設定ファイルを編集してバックエンドを設定できます。利用可能なバックエンドオプションは:"tensorflow"、"jax"、"torch"、"openvino"。例:

export KERAS_BACKEND="jax"

Colabでは次のように設定できます:

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

import keras

注意: バックエンドはkerasをインポートする前に設定する必要があり、パッケージをインポートした後は変更できません。

注意: OpenVINOバックエンドは推論専用バックエンドであり、model.predict()メソッドを使用したモデル予測の実行のみを目的としています。

後方互換性

Keras 3は（TensorFlowバックエンド使用時）tf.kerasのドロップイン置換として動作するように設計されています。既存のtf.kerasコードをそのまま使用し、model.save()の呼び出しが最新の.kerasフォーマットを使用していることを確認するだけで完了です。

カスタムコンポーネントを含まないtf.kerasモデルは、JAXやPyTorch上で即座に実行できます。

カスタムレイヤーやカスタムtrain_step()などのカスタムコンポーネントを含む場合でも、通常数分でバックエンドに依存しない実装に変換可能です。

さらに、Kerasモデルは使用するバックエンドに関係なく、あらゆる形式のデータセットを処理できます: 既存のtf.data.DatasetパイプラインやPyTorchのDataLoaderでモデルをトレーニング可能です。

Keras 3を使用する理由

• 任意のフレームワーク上で高レベルのKerasワークフローを実行 - JAXのスケーラビリティとパフォーマンスやTensorFlowの本番環境エコシステムオプションなど、各フレームワークの利点を自由に活用
• 任意のフレームワークの低レベルワークフローで使用できるカスタムコンポーネント（レイヤー、モデル、指標など）を作成
  • Kerasモデルを取得し、ネイティブTF、JAX、PyTorchでスクラッチから書いたトレーニングループでトレーニング可能
  • KerasモデルをPyTorchネイティブのModuleやJAXネイティブのモデル関数の一部として使用可能
• フレームワークのロックインを避けてMLコードを将来にわたって有効に
• PyTorchユーザー: ついにKerasのパワーと使いやすさを利用可能
• JAXユーザー: 機能豊富で実績のある、十分にドキュメント化されたモデリングおよびトレーニングライブラリにアクセス

詳細はKeras 3リリース発表をご覧ください。