docs: make Chinese README the default

README.md

@@ -1,77 +1,80 @@
-# Keras 3: Deep Learning for Humans
+<!-- WEHUB_ZH_README -->
+> [!NOTE]
+> 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。  
+> [English](./README.en.md) · [原始项目](https://github.com/keras-team/keras) · [上游 README](https://github.com/keras-team/keras/blob/HEAD/README.md)  
+> 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。
 
-Keras 3 is a multi-backend deep learning framework, with support for JAX, TensorFlow, PyTorch, and OpenVINO (for inference-only).
-Effortlessly build and train models for computer vision, natural language processing, audio processing,
-timeseries forecasting, recommender systems, etc.
+# Keras 3：面向人类的深度学习
 
-- **Accelerated model development**: Ship deep learning solutions faster thanks to the high-level UX of Keras
-and the availability of easy-to-debug runtimes like PyTorch or JAX eager execution.
-- **State-of-the-art performance**: By picking the backend that is the fastest for your model architecture (often JAX!),
-leverage speedups ranging from 20% to 350% compared to other frameworks. [Benchmark here](https://keras.io/getting_started/benchmarks/).
-- **Datacenter-scale training**: Scale confidently from your laptop to large clusters of GPUs or TPUs.
+Keras 3 是一个多后端深度学习框架，支持 JAX、TensorFlow、PyTorch 和 OpenVINO（仅用于推理）。
+可轻松构建并训练用于计算机视觉、自然语言处理、音频处理、
+时间序列预测、推荐系统等领域的模型。
 
-Join nearly three million developers, from burgeoning startups to global enterprises, in harnessing the power of Keras 3.
+- **加速模型开发**：借助 Keras 的高级用户体验，以及 PyTorch 或 JAX 急切执行（eager execution）等易于调试的运行时，更快交付深度学习解决方案。
+- **业界领先的性能**：选择最适合您模型架构的后端（通常是 JAX！），相比其他框架可获得 20% 至 350% 的加速。[基准测试在这里](https://keras.io/getting_started/benchmarks/).
+- **数据中心级训练**：自信地从笔记本电脑扩展到大型 GPU 或 TPU 集群。
+
+与近三百万开发者一起，从新兴初创公司到全球企业，共同发挥 Keras 3 的威力。
 
 
-## Installation
+## 安装
 
-### Install with pip
+### 使用 pip 安装
 
-Keras 3 is available on PyPI as `keras`. Note that Keras 2 remains available as the `tf-keras` package.
+Keras 3 在 PyPI 上提供为 `keras`。请注意，Keras 2 仍以 `tf-keras` 包的形式提供。
 
-1. Install `keras`:
+1. 安装 `keras`：
 
 ```
 pip install keras --upgrade
 ```
 
-2. Install backend package(s).
+2. 安装后端包。
 
-To use `keras`, you should also install the backend of choice: `tensorflow`, `jax`, or `torch`. Additionally,
-The `openvino` backend is available with support for model inference only.
+要使用 `keras`，您还需要安装所选的后端：`tensorflow`、`jax` 或 `torch`。此外，
+`openvino` 后端可用，但仅支持模型推理。
 
-### Local installation
+### 本地安装
 
-#### Minimal installation
+#### 最小安装
 
-Keras 3 is compatible with Linux and macOS systems. For Windows users, we recommend using WSL2 to run Keras.
-To install a local development version:
+Keras 3 兼容 Linux 和 macOS 系统。对于 Windows 用户，我们建议使用 WSL2 运行 Keras。
+要安装本地开发版本：
 
-1. Install dependencies:
+1. 安装依赖：
 
 ```
 pip install -r requirements.txt
 ```
 
-2. Run installation command from the root directory.
+2. 从根目录运行安装命令。
 
 ```
 python pip_build.py --install
 ```
 
-3. Run API generation script when creating PRs that update `keras_export` public APIs:
+3. 在创建更新 `keras_export` 公共 API 的 PR 时，运行 API 生成脚本：
 
 ```
 ./shell/api_gen.sh
 ```
 
-## Backend Compatibility Table
+## 后端兼容性表
 
-The following table lists the minimum supported versions of each backend for the latest stable release of Keras (v3.x):
+下表列出了最新稳定版 Keras（v3.x）对各后端的最低支持版本：
 
-| Backend    | Minimum Supported Version |
+| 后端 | 最低支持版本 |
 |------------|---------------------------|
 | TensorFlow | 2.16.1                    |
 | JAX        | 0.4.20                    |
 | PyTorch    | 2.1.0                     |
 | OpenVINO   | 2025.3.0                  |
 
-#### Adding GPU support
+#### 添加 GPU 支持
 
-The `requirements.txt` file will install a CPU-only version of TensorFlow, JAX, and PyTorch. For GPU support, we also
-provide a separate `requirements-{backend}-cuda.txt` for TensorFlow, JAX, and PyTorch. These install all CUDA
-dependencies via `pip` and expect a NVIDIA driver to be pre-installed. We recommend a clean Python environment for each
-backend to avoid CUDA version mismatches. As an example, here is how to create a JAX GPU environment with `conda`:
+`requirements.txt` 文件将安装仅 CPU 版本的 TensorFlow、JAX 和 PyTorch。如需 GPU 支持，我们还
+为 TensorFlow、JAX 和 PyTorch 提供了单独的 `requirements-{backend}-cuda.txt`。这些会通过 `pip` 安装所有 CUDA
+依赖，并期望已预装 NVIDIA 驱动。我们建议为每个后端使用干净的 Python 环境，以避免 CUDA 版本不匹配。例如，以下是如何使用 `conda` 创建 JAX GPU 环境：
 
 ```shell
 conda create -y -n keras-jax python=3.10
@@ -80,16 +83,16 @@ pip install -r requirements-jax-cuda.txt
 python pip_build.py --install
 ```
 
-## Configuring your backend
+## 配置后端
 
-You can export the environment variable `KERAS_BACKEND` or you can edit your local config file at `~/.keras/keras.json`
-to configure your backend. Available backend options are: `"tensorflow"`, `"jax"`, `"torch"`, `"openvino"`. Example:
+您可以导出环境变量 `KERAS_BACKEND`，或编辑本地配置文件 `~/.keras/keras.json`
+来配置后端。可用的后端选项有：`"tensorflow"`、`"jax"`、`"torch"`、`"openvino"`。示例：
 
 ```
 export KERAS_BACKEND="jax"
 ```
 
-In Colab, you can do:
+在 Colab 中，您可以：
 
 ```python
 import os
@@ -98,36 +101,31 @@ os.environ["KERAS_BACKEND"] = "jax"
 import keras
 ```
 
-**Note:** The backend must be configured before importing `keras`, and the backend cannot be changed after
-the package has been imported.
+**注意：** 必须在导入 `keras` 之前配置后端，导入包后无法更改后端。
 
-**Note:** The OpenVINO backend is an inference-only backend, meaning it is designed only for running model
-predictions using `model.predict()` method.
+**注意：** OpenVINO 后端是仅推理后端，意味着它仅设计用于通过 `model.predict()` 方法运行模型预测。
 
-## Backwards compatibility
+## 向后兼容
 
-Keras 3 is intended to work as a drop-in replacement for `tf.keras` (when using the TensorFlow backend). Just take your
-existing `tf.keras` code, make sure that your calls to `model.save()` are using the up-to-date `.keras` format, and you're
-done.
+Keras 3 旨在作为 `tf.keras` 的直接替代（使用 TensorFlow 后端时）。只需拿出现有的 `tf.keras` 代码，确保对 `model.save()` 的调用使用最新的 `.keras` 格式，即可完成。
 
-If your `tf.keras` model does not include custom components, you can start running it on top of JAX or PyTorch immediately.
+如果您的 `tf.keras` 模型不包含自定义组件，您可以立即在 JAX 或 PyTorch 上运行它。
 
-If it does include custom components (e.g. custom layers or a custom `train_step()`), it is usually possible to convert it
-to a backend-agnostic implementation in just a few minutes.
+如果确实包含自定义组件（例如自定义层或自定义 `train_step()`），通常只需几分钟即可将其转换为与后端无关的实现。
 
-In addition, Keras models can consume datasets in any format, regardless of the backend you're using:
-you can train your models with your existing `tf.data.Dataset` pipelines or PyTorch `DataLoaders`.
+此外，无论使用哪个后端，Keras 模型都可以使用任何格式的数据集：
+您可以使用现有的 `tf.data.Dataset` 流水线或 PyTorch `DataLoaders` 训练模型。
 
-## Why use Keras 3?
+## 为何使用 Keras 3？
 
-- Run your high-level Keras workflows on top of any framework -- benefiting at will from the advantages of each framework,
-e.g. the scalability and performance of JAX or the production ecosystem options of TensorFlow.
-- Write custom components (e.g. layers, models, metrics) that you can use in low-level workflows in any framework.
-    - You can take a Keras model and train it in a training loop written from scratch in native TF, JAX, or PyTorch.
-    - You can take a Keras model and use it as part of a PyTorch-native `Module` or as part of a JAX-native model function.
-- Make your ML code future-proof by avoiding framework lock-in.
-- As a PyTorch user: get access to power and usability of Keras, at last!
-- As a JAX user: get access to a fully-featured, battle-tested, well-documented modeling and training library.
+- 在任何框架之上运行高级 Keras 工作流——按需受益于各框架的优势，
+例如 JAX 的可扩展性与性能，或 TensorFlow 的生产生态系统选项。
+- 编写可在任何框架的低级工作流中使用的自定义组件（例如层、模型、指标）。
+    - 您可以获取 Keras 模型，并在用原生 TF、JAX 或 PyTorch 从头编写的训练循环中训练它。
+    - 您可以获取 Keras 模型，将其作为 PyTorch 原生 `Module` 的一部分，或作为 JAX 原生模型函数的一部分。
+- 通过避免框架锁定，让您的 ML 代码面向未来。
+- 作为 PyTorch 用户：终于可以使用 Keras 的强大功能与易用性！
+- 作为 JAX 用户：终于可以使用功能齐全、久经考验、文档完善的建模与训练库。
 
 
-Read more in the [Keras 3 release announcement](https://keras.io/keras_3/).
+在 [Keras 3 发布公告](https://keras.io/keras_3/). 中了解更多