译者 | 布加迪

审校 | 重楼

在深入研究这个令人兴奋的发展动向的细节之前，不妨先设想一个场景以便更好地理解。想象自己是一位高级数据科学家，主持一个复杂的图像分类项目。您那基于TensorFlow的模型表现得非常好。然而随着更多功能添加进来，您注意到一些团队成员因可扩展性而青睐JAX，另一些成员因易于使用而偏爱PyTorch。作为团队领导，您如何确保无缝协作，同时保持模型在各种深度学习框架中的效率？

Keras团队认识到这个挑战后推出了Keras Core，这个创新的多后端库实现了Keras API，支持TensorFlow、JAX和PyTorch。该库将在2023年秋季迎来Keras 3.0。但在我们直接介绍Keras 3.0之前，不妨先简单了解一下Keras的历史。

Keras的简史和通向3.0之路

2015年，Francois Chollet推出了Keras，这是用Python编写的开源深度学习库。这个简单而强大的API可以简化复杂的神经网络构建，迅速在研究人员、学生和专业人士当中流行起来。Keras逐渐得到了大幅改进，使其对深度学习社区更具吸引力。最终，Keras成为了谷歌尖端深度学习框架TensorFlow的一个组成部分。大约在同一时间，Facebook的人工智能研究实验室开发出了以直观灵活的模型构建而闻名的PyTorch。与此同时，JAX成为高性能机器学习研究的另一个强大框架。随着这些框架日渐受到追捧，开发人员开始面临在框架之间进行选择的困境。这导致了深度学习社区的进一步碎片化。

认识到支离破碎的框架带来的挑战，Keras的开发人员决定再次革新这个库，推出Keras 3.0。

Keras 3.0的主要特性

Keras 3.0使您能够有效地与团队协作。通过结合TensorFlow、JAX和PyTorch的优点，您可以开发统一前端的复杂模型。以下是让Keras 3.0改变游戏规则的几项特性：

1.多后端支持

Keras 3.0充当超级连接器，支持无缝地使用TensorFlow、JAX和PyTorch。开发人员可以自由地为特定的任务混合搭配最佳工具，无需更改代码。

2.性能优化

性能优化是Keras 3.0的关键特性。默认情况下，Keras 3.0利用XLA（加速线性代数）编译。XLA编译可以优化数学计算，使它们在GPU和TPU等硬件上运行起来快得多。它还允许您为AI模型动态选择最佳后端，以确保最佳效率。这类性能优化特性非常重要，便于训练更多模型、进行更多实验，并大大加快获得结果的速度。

3.扩大的生态系统覆盖面

您的Keras模型可以用作PyTorch模块、TensorFlow SavedModels或JAX的大规模TPU训练基础设施的一部分。这意味着您可以利用每个框架的优势。因此，有了Keras 3.0扩大的生态系统，您不会被单一的生态系统所束缚。它就像一个通用适配器，让您可以把最喜欢的设备连接到任何机器上。

4.跨框架低级语言

引入keras_core.ops命名空间是一项突破性的特性，允许您编写一次自定义操作，就可以毫不费力地在不同深度学习框架中使用。keras_core.ops提供了一组类似流行的NumPy API的工具和函数，NumPy API是Python中广泛使用的数值计算库。这种级别的跨框架兼容性促进了代码的可重用性，并鼓励协作。

5.逐步披露复杂性

Keras 3.0的这种设计方法使其有别于其他深度学习框架。假设您是初学者，想用Keras 3.0构建一个简单的神经网络。它一开始就为您提供了最直接的工作流程。一旦熟悉了基本面，您就可以访问所有高级特性和低级功能。它不会将您限制在预定义的工作流程。这种方法的优点在于其适应性，颇受初学者和经验丰富的深度学习从业人员的欢迎。

6.用于层、模型、指标和优化器的无状态API

在深度学习的背景下，状态指在训练过程中变化的内部变量和参数。然而，JAX基于无状态原则进行操作，这意味着函数没有可变变量或内部状态。Keras 3.0通过Stateless API支持JAX的无状态性。它允许以无状态的方式设计深度学习的基本组件，即层、模型、指标和优化器。这种独特的兼容性使Keras 3.0成为现代AI开发中一种不可或缺的工具。

Keras 3.0入门

Keras Core与Linux和MacOS系统兼容。设置Keras 3.0是一个简单的过程。下面是分步指南：

1.克隆并浏览到存储库

使用以下命令，将存储库克隆到本地系统中：

git clone https://github.com/keras-team/keras-core.git

使用以下命令，将根目录改为clone keras-core：

cd keras-core

2.安装依赖项

打开您的间隔（interval），运行以下命令来安装所需的依赖项。

pip install -r requirements.txt

3.运行安装命令

运行以下脚本，以处理安装过程：

python pip_build.py--install

4.配置后端

默认情况下，Keras Core严格要求TensorFlow作为后端框架，但您可以使用以下两种方式配置它：

方法01：您可以将KERAS_BACKEND环境变量设置为首选的后端选项。

export ERAS_BACKEND = " jax”

方法02：您可以编辑位于~/. keras/keras.json的本地Keras配置文件。在文本编辑器中打开该文件，并将“backend”选项更改为首选的后端。

{
 "backend": "jax",
 "floatx": "float32",
 "epsilon": 1e-7,
 "image_data_format": "channels_last"
}

5.验证安装

为了确保Keras Core已与您选择的后端一并正确安装，可以通过导入库来测试它。打开Python解释器或Jupyter Notebook，运行以下命令：

import keras_core as keras

结语

虽然Keras 3.0有一些限制，比如当前的TensorFlow依赖以及针对其他后端的有限的tf.data支持，但这种框架的未来潜力大有希望。到目前为止，Keras已发布了测试版，他们鼓励开发人员提供宝贵的反馈。如果您有兴趣了解有关它的更多信息，可以在这里找到Keras Core（Keras 3.0）的文档：https://keras.io/api/。不要害怕尝试新想法。Keras 3.0是一个功能强大的工具，赶紧体验吧！

原文标题：Keras 3.0: Everything You Need To Know，作者：Kanwal Mehreen