Keras 3: Deep Learning para Humanos

Keras 3 é um framework de deep learning multi-backend, com suporte para JAX, TensorFlow, PyTorch e OpenVINO (apenas para inferência). Construa e treine modelos com facilidade para visão computacional, processamento de linguagem natural, processamento de áudio, previsão de séries temporais, sistemas de recomendação, etc.

Desenvolvimento acelerado de modelos: Implemente soluções de deep learning mais rapidamente graças à UX de alto nível do Keras e à disponibilidade de tempos de execução fáceis de depurar, como a execução eager do PyTorch ou JAX.
Desempenho de ponta: Ao escolher o backend mais rápido para sua arquitetura de modelo (frequentemente JAX!), obtenha acelerações que variam de 20% a 350% em comparação com outros frameworks. Veja os benchmarks aqui.
Treinamento em escala de datacenter: Escalone com confiança do seu laptop para grandes clusters de GPUs ou TPUs.

Junte-se a quase três milhões de desenvolvedores, desde startups emergentes até empresas globais, para aproveitar o poder do Keras 3.

Instalação

Instalação com pip

Keras 3 está disponível no PyPI como keras. Observe que o Keras 2 permanece disponível como o pacote tf-keras.

Instale keras:

pip install keras --upgrade

Instale o(s) pacote(s) de backend.

Para usar keras, você também deve instalar o backend de sua escolha: tensorflow, jax ou torch. Observe que tensorflow é necessário para usar certos recursos do Keras 3: certas camadas de pré-processamento bem como pipelines tf.data.

Instalação local

Instalação mínima

Keras 3 é compatível com sistemas Linux e MacOS. Para usuários Windows, recomendamos usar WSL2 para executar o Keras. Para instalar uma versão local de desenvolvimento:

Instale as dependências:

pip install -r requirements.txt

Execute o comando de instalação a partir do diretório raiz.

python pip_build.py --install

Execute o script de geração de API ao criar PRs que atualizam as APIs públicas keras_export:

./shell/api_gen.sh

Adicionando suporte a GPU

O arquivo requirements.txt instalará uma versão somente CPU do TensorFlow, JAX e PyTorch. Para suporte a GPU, também fornecemos um arquivo separado requirements-{backend}-cuda.txt para TensorFlow, JAX e PyTorch. Estes instalam todas as dependências CUDA via pip e esperam que um driver NVIDIA esteja pré-instalado. Recomendamos um ambiente python limpo para cada backend para evitar incompatibilidades de versão CUDA. Como exemplo, veja como criar um ambiente Jax com 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 seu backend

Você pode exportar a variável de ambiente KERAS_BACKEND ou editar seu arquivo de configuração local em ~/.keras/keras.json para configurar seu backend. As opções de backend disponíveis são: "tensorflow", "jax", "torch", "openvino". Exemplo:

export KERAS_BACKEND="jax"

No Colab, você pode fazer:

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

import keras

Observação: O backend deve ser configurado antes de importar keras, e o backend não pode ser alterado após o pacote ter sido importado.

Observação: O backend OpenVINO é apenas para inferência, ou seja, foi projetado apenas para executar previsões de modelos usando o método model.predict().

Compatibilidade com versões anteriores

Keras 3 foi projetado para funcionar como um substituto direto para tf.keras (ao usar o backend TensorFlow). Basta pegar seu código existente de tf.keras, garantir que suas chamadas a model.save() estejam usando o formato atualizado .keras, e pronto.

Se seu modelo tf.keras não incluir componentes personalizados, você pode começar a executá-lo sobre JAX ou PyTorch imediatamente.

Se incluir componentes personalizados (por exemplo, camadas personalizadas ou um train_step() personalizado), geralmente é possível convertê-lo para uma implementação independente de backend em apenas alguns minutos.

Além disso, modelos Keras podem consumir conjuntos de dados em qualquer formato, independentemente do backend que você está usando: você pode treinar seus modelos com seus pipelines existentes de tf.data.Dataset ou DataLoaders do PyTorch.

Por que usar Keras 3?

Execute seus fluxos de trabalho de alto nível do Keras sobre qualquer framework -- aproveitando à vontade as vantagens de cada framework, por exemplo, a escalabilidade e desempenho do JAX ou as opções de ecossistema de produção do TensorFlow.
Escreva componentes personalizados (por exemplo, camadas, modelos, métricas) que você pode usar em fluxos de trabalho de baixo nível em qualquer framework.
- Você pode pegar um modelo Keras e treiná-lo em um loop de treinamento escrito do zero em TF nativo, JAX ou PyTorch.
- Você pode pegar um modelo Keras e usá-lo como parte de um Module nativo do PyTorch ou como parte de uma função de modelo nativa do JAX.
Torne seu código de ML à prova de futuro evitando dependência de framework.
Como usuário do PyTorch: obtenha finalmente o poder e a usabilidade do Keras!
Como usuário do JAX: obtenha acesso a uma biblioteca de modelagem e treinamento completa, testada em batalha e bem documentada.