Keras 3: 인간을 위한 딥러닝

Keras 3는 JAX, TensorFlow, PyTorch 및 OpenVINO(추론 전용)를 지원하는 멀티-백엔드 딥러닝 프레임워크입니다. 컴퓨터 비전, 자연어 처리, 오디오 처리, 시계열 예측, 추천 시스템 등을 위한 모델을 쉽게 구축하고 훈련할 수 있습니다.

가속화된 모델 개발: Keras의 높은 수준의 사용자 경험(UX)과 PyTorch 또는 JAX의 즉시 실행(eager execution)과 같은 디버깅하기 쉬운 런타임 덕분에 딥러닝 솔루션을 더 빠르게 제공할 수 있습니다.
최첨단 성능: 모델 아키텍처에 가장 적합한 백엔드(종종 JAX!)를 선택하여 다른 프레임워크 대비 20%에서 350%까지의 성능 향상을 누릴 수 있습니다. 벤치마크 보기.
데이터센터 규모의 훈련: 노트북에서 대규모 GPU 또는 TPU 클러스터까지 확장할 수 있습니다.

신생 스타트업부터 글로벌 기업까지 거의 3백만 명의 개발자와 함께 Keras 3의 힘을 활용해 보세요.

설치

pip로 설치

Keras 3는 PyPI에서 keras로 제공됩니다. Keras 2는 tf-keras 패키지로 계속 사용할 수 있습니다.

keras 설치:

pip install keras --upgrade

백엔드 패키지 설치.

keras를 사용하려면 선택한 백엔드(tensorflow, jax, torch)도 설치해야 합니다. 특정 Keras 3 기능(일부 전처리 레이어 및 tf.data 파이프라인)을 사용하려면 tensorflow가 필요합니다.

로컬 설치

최소 설치

Keras 3는 Linux 및 MacOS 시스템과 호환됩니다. Windows 사용자는 WSL2를 사용하여 Keras를 실행하는 것을 권장합니다. 로컬 개발 버전을 설치하려면:

의존성 설치:

pip install -r requirements.txt

루트 디렉토리에서 설치 명령 실행.

python pip_build.py --install

keras_export 공개 API를 업데이트하는 PR을 생성할 때 API 생성 스크립트 실행:

./shell/api_gen.sh

GPU 지원 추가

requirements.txt 파일은 TensorFlow, JAX 및 PyTorch의 CPU 전용 버전을 설치합니다. GPU 지원을 위해 TensorFlow, JAX 및 PyTorch용 별도의 requirements-{backend}-cuda.txt를 제공합니다. 이 파일들은 pip를 통해 모든 CUDA 의존성을 설치하며 NVIDIA 드라이버가 사전 설치되어 있어야 합니다. CUDA 버전 불일치를 방지하기 위해 각 백엔드마다 깨끗한 Python 환경을 사용하는 것을 권장합니다. 예를 들어, conda로 Jax GPU 환경을 생성하는 방법은 다음과 같습니다:

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

백엔드 구성

환경 변수 KERAS_BACKEND를 내보내거나 ~/.keras/keras.json의 로컬 구성 파일을 편집하여 백엔드를 구성할 수 있습니다. 사용 가능한 백엔드 옵션은 "tensorflow", "jax", "torch", "openvino"입니다. 예시:

export KERAS_BACKEND="jax"

Colab에서는 다음과 같이 할 수 있습니다:

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

import keras

참고: 백엔드는 keras를 임포트하기 전에 구성해야 하며, 패키지가 임포트된 후에는 백엔드를 변경할 수 없습니다.

참고: OpenVINO 백엔드는 추론 전용 백엔드로, model.predict() 메서드를 사용하여 모델 예측을 실행하는 데만 설계되었습니다.

이전 버전과의 호환성

Keras 3는 tf.keras(TensorFlow 백엔드 사용 시)를 대체하는 드롭인(drop-in) 교체로 작동하도록 설계되었습니다. 기존 tf.keras 코드를 가져와 model.save() 호출이 최신 .keras 형식을 사용하는지 확인하면 됩니다.

tf.keras 모델에 사용자 정의 컴포넌트가 포함되어 있지 않다면 JAX 또는 PyTorch에서 즉시 실행할 수 있습니다.

사용자 정의 컴포넌트(예: 사용자 정의 레이어 또는 train_step())가 포함된 경우 일반적으로 몇 분 안에 백엔드-불가지론적(agnostic) 구현으로 변환할 수 있습니다.

또한 Keras 모델은 사용 중인 백엔드와 관계없이 모든 형식의 데이터셋을 사용할 수 있습니다: 기존 tf.data.Dataset 파이프라인 또는 PyTorch DataLoaders로 모델을 훈련할 수 있습니다.

Keras 3를 사용해야 하는 이유

어떤 프레임워크 위에서도 고수준 Keras 워크플로를 실행할 수 있습니다 -- 각 프레임워크의 장점(예: JAX의 확장성과 성능 또는 TensorFlow의 생태계 옵션)을 자유롭게 활용할 수 있습니다.
어떤 프레임워크의 저수준 워크플로에서도 사용할 수 있는 사용자 정의 컴포넌트(예: 레이어, 모델, 메트릭)를 작성할 수 있습니다.
- Keras 모델을 가져와 네이티브 TF, JAX 또는 PyTorch로 작성된 훈련 루프에서 훈련할 수 있습니다.
- Keras 모델을 PyTorch-네이티브 Module의 일부 또는 JAX-네이티브 모델 함수의 일부로 사용할 수 있습니다.
프레임워크 종속성을 피하여 ML 코드를 미래에도 사용할 수 있도록 합니다.
PyTorch 사용자: 마침내 Keras의 강력함과 사용 편의성을 누릴 수 있습니다!
JAX 사용자: 완전한 기능을 갖춘, 검증된, 잘 문서화된 모델링 및 훈련 라이브러리에 접근할 수 있습니다.

자세한 내용은 Keras 3 출시 공지에서 확인하세요.