关于 Keras 3
Keras 是一个用 Python 编写的深度学习 API，能够在 JAX、TensorFlow 或 PyTorch 上运行。
Keras 是：
- 简单 – 但并不简陋。Keras 降低了开发者的 认知负担 以便让你专注于真正重要的问题部分。
- 灵活 – Keras 采用 逐步披露复杂性 的原则：简单工作流程应该快速且简单，而任意复杂的工作流程应该通过清晰的路径变得 可行，该路径建立在你已经学习的基础上。
- 强大 – Keras 提供行业级的性能和可扩展性：被包括 NASA、YouTube 和 Waymo 在内的组织使用。
Keras 3 是一个多框架的深度学习 API
作为一个多框架 API，Keras 可用于开发与任何框架兼容的模块化组件 – JAX、TensorFlow 或 PyTorch。
这种方法有几个关键好处：
- 始终为你的模型获得最佳性能。 在我们的基准测试中，我们发现 JAX 通常在 GPU、TPU 和 CPU 上提供最佳的训练和推理性能 – 但结果因模型而异，因为非 XLA 的 TensorFlow 在 GPU 上有时会更快。动态选择能够为你的模型提供最佳性能的后端的能力 不需要更改任何代码，意味着你总是可以以最高的效率进行训练和服务。
- 最大化可用生态系统的表面。 任何 Keras 模型都可以作为 PyTorch 的
Module实例化，可以导出为 TensorFlow 的SavedModel，或可以实例化为无状态的 JAX 函数。这意味着你可以将你的 Keras 模型与 PyTorch 生态系统包、全系列 TensorFlow 部署和生产工具以及 JAX 大规模 TPU 训练基础设施一起使用。仅需编写一个model.py，使用 Keras API，即可访问机器学习世界提供的一切。 - 最大化开源模型发布的分发。 想发布一个预训练模型吗？希望尽可能多的人能够使用它吗？如果你用纯 TensorFlow 或 PyTorch 实现它，它将只能被大约一半的市场使用。如果你使用 Keras 实现它，则任何人都可以立即使用，无论他们选择哪个框架（即使他们不是 Keras 用户）。无额外开发成本的双倍影响。
- 使用来自任何源的数据管道。 Keras 的
fit()/evaluate()/predict()例程与tf.data.Dataset对象、PyTorchDataLoader对象、NumPy 数组、Pandas 数据框互通 – 无论你使用的后端是什么。你可以在 PyTorch 的DataLoader上训练 Keras + TensorFlow 模型，或在tf.data.Dataset上训练 Keras + PyTorch 模型。
首次接触 Keras
Keras 的核心数据结构是 层 和 模型。最简单的模型类型是 Sequential 模型，一个线性的层堆栈。对于更复杂的架构，您应该使用 Keras 函数式 API，它允许构建任意的层图，或者 通过子类化完全从头编写模型。
以下是 Sequential 模型：
import keras
model = keras.Sequential()
堆叠层只需使用 .add()：
from keras import layers
model.add(layers.Dense(units=64, activation='relu')) # 添加一个隐层
model.add(layers.Dense(units=10, activation='softmax')) # 添加输出层
一旦你的模型看起来不错，使用 .compile() 来配置学习过程：
model.compile(loss='categorical_crossentropy', # 设置损失函数
optimizer='sgd', # 设置优化器
metrics=['accuracy']) # 设置评估标准
如果需要，你可以进一步配置你的优化器。Keras 的理念是保持简单的事情简单，同时在用户需要时，允许他们完全控制（最终的控制是通过子类化轻松扩展源代码）。
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.SGD(learning_rate=0.01, momentum=0.9, nesterov=True)) # 配置优化器
你现在可以批量迭代你的训练数据：
# x_train 和 y_train 是 Numpy 数组
model.fit(x_train, y_train, epochs=5, batch_size=32) # 训练模型
在一行中评估你的测试损失和指标：
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128) # 评估模型
或者对新数据生成预测：
classes = model.predict(x_test, batch_size=128) # 生成预测
你刚看到的就是使用 Keras 的最基本方法。
然而，Keras 也是一个高度灵活的框架，适合推进最先进的研究理念。Keras 遵循 逐步披露复杂性 的原则：它使入门变得容易，同时使处理任意复杂的用例成为可能， 只需在每一步上进行增量学习。
就像您能在几行代码中训练和评估简单的神经网络一样，您可以使用 Keras 快速开发新的训练程序或最先进的模型架构。
这是一个自定义 Keras 层的示例——可以在 JAX、TensorFlow 或 PyTorch 的低级工作流程中互换使用：
import keras
from keras import ops
class TokenAndPositionEmbedding(keras.Layer):
def __init__(self, max_length, vocab_size, embed_dim):
super().__init__()
self.token_embed = self.add_weight(
shape=(vocab_size, embed_dim),
initializer="random_uniform",
trainable=True,
)
self.position_embed = self.add_weight(
shape=(max_length, embed_dim),
initializer="random_uniform",
trainable=True,
)
def call(self, token_ids):
# 嵌入位置
length = token_ids.shape[-1]
positions = ops.arange(0, length, dtype="int32")
positions_vectors = ops.take(self.position_embed, positions, axis=0)
# 嵌入 tokens
token_ids = ops.cast(token_ids, dtype="int32")
token_vectors = ops.take(self.token_embed, token_ids, axis=0)
# 两者相加
embed = token_vectors + positions_vectors
# 归一化嵌入
power_sum = ops.sum(ops.square(embed), axis=-1, keepdims=True)
return embed / ops.sqrt(ops.maximum(power_sum, 1e-7))
关于 Keras 的更深入教程，您可以查看：
支持
您可以在 Keras Google 组 中提问并加入开发讨论。
您还可以在 GitHub 问题 中发布bug报告和功能请求（仅限）。确保先阅读 我们的指南。
为什么这个名字是 Keras？
Keras (κέρας) 在古希腊语中意为 角。它是对古希腊和拉丁文学中的一个文学意象的引用，首次出现在《奥德赛》中，梦灵（Oneiroi，单数形式为 Oneiros）被分为那些用虚假幻象欺骗梦者的人，他们通过象牙之门来到地球，以及那些预告未来将会实现的人，他们通过角门来到。它在 κέρας (角) / κραίνω (实现) 和 ἐλέφας (象牙) / ἐλεφαίρομαι (欺骗) 的词语上进行了双关。
Keras 最初作为项目 ONEIROS（开放式神经电子智能机器人操作系统）的研究项目的一部分而开发。
"Oneiroi 超越我们的理解——谁能确定他们讲述了什么故事？人们所寻求的并非都能实现。通往短暂 Oneiroi 的有两个门；一个是由角制成，一个是由象牙制成。通过锯象牙而来的 Oneiroi 是欺骗性的，带着无法实现的信息；通过抛光的角而来的那些则有真相，必将实现以供看到他们的人。" 荷马，《奥德赛》第19章 562 节 (Shewring 译本)。