Keras 3: Глубокое обучение для людей

Keras 3 — это мультибэкенд-фреймворк для глубокого обучения с поддержкой JAX, TensorFlow, PyTorch и OpenVINO (только для вывода).
Легко создавайте и обучайте модели для компьютерного зрения, обработки естественного языка, аудио,
прогнозирования временных рядов, рекомендательных систем и других задач.

• Ускоренная разработка моделей: Быстрее внедряйте решения благодаря высокоуровневому UX Keras
  и доступности удобных для отладки сред выполнения, таких как eager execution в PyTorch или JAX.
• Передовая производительность: Выбирая оптимальный бэкенд для вашей архитектуры модели (часто JAX!),
  получайте прирост скорости от 20% до 350% по сравнению с другими фреймворками. Тесты производительности.
• Обучение в масштабах дата-центра: Масштабируйтесь с уверенностью — от ноутбука до крупных кластеров GPU или TPU.

Присоединяйтесь к почти трём миллионам разработчиков — от стартапов до глобальных корпораций — и используйте мощь Keras 3.

Установка

Установка через pip

Keras 3 доступен на PyPI как keras. Обратите внимание, что Keras 2 остаётся доступным в пакете tf-keras.

1. Установите keras:

pip install keras --upgrade

2. Установите пакет(ы) бэкенда.

Для использования keras также установите предпочитаемый бэкенд: tensorflow, jax или torch.
Примечание: tensorflow требуется для некоторых функций Keras 3, таких как определённые слои предобработки
и конвейеры tf.data.

Локальная установка

Минимальная установка

Keras 3 совместим с Linux и macOS. Пользователям Windows рекомендуется использовать WSL2.
Для установки локальной версии для разработки:

1. Установите зависимости:

pip install -r requirements.txt

2. Запустите команду установки из корневой директории.

python pip_build.py --install

3. Запускайте скрипт генерации API при создании PR, обновляющих публичные API keras_export:

./shell/api_gen.sh

Поддержка GPU

Файл requirements.txt устанавливает CPU-версии TensorFlow, JAX и PyTorch. Для поддержки GPU
предусмотрены отдельные файлы requirements-{backend}-cuda.txt для TensorFlow, JAX и PyTorch.
Они устанавливают все зависимости CUDA через pip и требуют предустановленного драйвера NVIDIA.
Рекомендуется чистое окружение Python для каждого бэкенда во избежание конфликтов версий CUDA.
Например, так можно создать окружение JAX с GPU через 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

Настройка бэкенда

Вы можете экспортировать переменную окружения KERAS_BACKEND или отредактировать локальный конфиг
в ~/.keras/keras.json. Доступные бэкенды: "tensorflow", "jax", "torch", "openvino". Пример:

export KERAS_BACKEND="jax"

В Colab можно сделать так:

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

import keras

Примечание: Бэкенд должен быть настроен до импорта keras и не может быть изменён после импорта.

Примечание: Бэкенд OpenVINO предназначен только для вывода, то есть для выполнения предсказаний
с помощью метода model.predict().

Обратная совместимость

Keras 3 задуман как замена tf.keras (при использовании бэкенда TensorFlow). Просто возьмите
существующий код tf.keras, убедитесь, что вызовы model.save() используют актуальный формат .keras,
и готово.

Если ваша модель tf.keras не содержит кастомных компонентов, она сразу заработает на JAX или PyTorch.

Если содержит (например, кастомные слои или train_step()), обычно её можно адаптировать
для любого бэкенда за несколько минут.

Кроме того, модели Keras могут работать с данными в любом формате, независимо от бэкенда:
вы можете обучать модели на существующих конвейерах tf.data.Dataset или PyTorch DataLoaders.

Почему стоит использовать Keras 3?

• Запускайте высокоуровневые workflows Keras поверх любого фреймворка — пользуйтесь преимуществами каждого,
  например, масштабируемостью JAX или экосистемой TensorFlow для продакшена.
• Создавайте кастомные компоненты (слои, модели, метрики), которые можно использовать в низкоуровневых workflows любого фреймворка.
  • Модель Keras можно обучать в нативном тренировочном цикле TF, JAX или PyTorch.
  • Модель Keras можно использовать как часть нативного Module в PyTorch или функции модели в JAX.
• Защитите свой ML-код от привязки к конкретному фреймворку.
• Для пользователей PyTorch: наконец-то доступ к мощи и удобству Keras!
• Для пользователей JAX: доступ к полнофункциональной, проверенной и хорошо документированной библиотеке моделирования.

Подробнее в анонсе Keras 3.