Après 5 mois d'itérations de mise à jour, Keras 3.0 est enfin là.
"Grande nouvelle : Nous venons de sortir la version Keras 3.0 !", s'est réjoui François Chollet, le père de Keras, sur X. "Vous pouvez désormais exécuter Keras sur les frameworks JAX, TensorFlow et PyTorch..."
Pour cette mise à jour, les responsables de Keras ont déclaré que cette version leur avait nécessité 5 mois de tests publics. Keras 3.0 est une réécriture complète de Keras qui vous permet d'exécuter des flux de travail Keras sur JAX, TensorFlow ou PyTorch. La nouvelle version dispose également de nouvelles capacités de formation et de déploiement de grands modèles. Vous pouvez choisir le framework qui vous convient le mieux, ou passer d'un framework à un autre en fonction de vos objectifs actuels.
Adresse Keras : https://keras.io/keras_3/ Keras, utilisée par plus de 2,5 millions de développeurs, accueille la version 3.0L'API Keras peut être utilisée pour JAX, TensorFlow et PyTorch. Les modèles tf.keras existants utilisant uniquement des couches intégrées peuvent être exécutés dans JAX et PyTorch !
Keras 3 fonctionne de manière transparente avec n'importe quel workflow JAX, TensorFlow et PyTorch. Keras 3 n'est pas seulement adapté aux flux de travail centrés sur Keras tels que la définition de modèles Keras, d'optimiseurs, de pertes et de métriques, il est également conçu pour s'intégrer de manière transparente aux flux de travail natifs backend de bas niveau JAX, TensorFlow et PyTorch lors de la formation de modèles Keras. choisissez d'utiliser la formation JAX, la formation TensorFlow, la formation PyTorch ou de l'utiliser dans le cadre d'un modèle JAX ou PyTorch. Il n'y a aucun problème avec les opérations ci-dessus. Keras 3 offre le même degré de flexibilité d'implémentation de bas niveau dans JAX et PyTorch que tf.keras dans TensorFlow.
Modèle pré-entraîné. Vous pouvez désormais utiliser une variété de modèles pré-entraînés dans Keras 3. Il existe désormais 40 modèles d'application Keras disponibles dans le backend. De plus, un grand nombre de modèles pré-entraînés (tels que BERT, T5, YOLOv8, Whisper, SAM, etc.) présents dans KerasCV et KerasNLP sont également présents. disponible dans tous les backends. Keras 3 est hautement rétrocompatible avec Keras 2 : Keras 3 implémente désormais l'interface API publique de Keras 2. La plupart des utilisateurs peuvent exécuter des scripts Keras sur Keras 3 sans modifier aucun code. Si vous n'êtes pas habitué à utiliser Keras 3, vous pouvez choisir d'ignorer la nouvelle mise à jour de version et de continuer à utiliser Keras 2 avec TensorFlow. Keras 3 prend en charge le pipeline de données multi-framework pour tous les backends. L’apprentissage automatique multi-framework signifie également le chargement et le prétraitement des données multi-framework. Les modèles Keras 3 peuvent être entraînés à l'aide d'une variété de pipelines de données, que vous utilisiez le backend JAX, PyTorch ou TensorFlow :
- tf.data.Dataset pipelines.
- objettorch.utils.data.DataLoader.
- Tableaux NumPy et dataframes Pandas.
- Objet keras.utils.PyDataset de Keras.
Une nouvelle API distribuée pour le parallélisme des données à grande échelle et le parallélisme des modèles. Cette mise à jour n'est actuellement disponible que pour le backend JAX, la prise en charge de TensorFlow et PyTorch étant bientôt disponible. Quant à la raison pour laquelle ce changement est déployé, l'équipe Keras a déclaré qu'au cours des dernières années, à mesure que la taille du modèle est devenue de plus en plus grande, elle espère fournir une solution Keras au problème du partage de modèles multi-appareils. (partage). L'équipe a conçu l'API de manière à ce que la définition du modèle, la logique de formation et la configuration de partitionnement soient complètement indépendantes, ce qui signifie que le modèle peut être exécuté comme s'il était sur un seul appareil. Vous pouvez ensuite ajouter la configuration de partitionnement à n'importe quel modèle lors de la formation du modèle. modèle. Le parallélisme des données (réplication de petits modèles à l'identique sur plusieurs appareils) peut être géré avec seulement deux lignes :
Vient ensuite le parallélisme des modèles. Cette API vous permet de configurer la disposition de chaque variable et de chaque tenseur de sortie via des expressions régulières. Cela facilite la spécification rapide de la même disposition pour une catégorie de variable entière.
Enfin, l'équipe Keras a également rassemblé de nombreuses questions qui préoccupent tout le monde et y a répondu. Les lecteurs intéressés peuvent se rendre sur le site officiel de Keras pour en savoir plus. Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!