wehub/keras-team--keras

Fork 0

Files

T

wehub-resource-sync 73d6fa01e2 docs: make Chinese README the default

2026-07-13 10:09:45 +00:00

5.1 KiB

Raw Blame History

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 · 原始项目 · 上游 README
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：面向人类的深度学习

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。

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.
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。

安装

使用 pip 安装

Keras 3 在 PyPI 上提供为 keras。请注意，Keras 2 仍以 tf-keras 包的形式提供。

安装 keras：

pip install keras --upgrade

安装后端包。

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。

本地安装

最小安装

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：

安装依赖：

pip install -r requirements.txt

python pip_build.py --install

在创建更新 keras_export 公共 API 的 PR 时，运行 API 生成脚本：

./shell/api_gen.sh

后端兼容性表

下表列出了最新稳定版 Keras（v3.x）对各后端的最低支持版本：

后端	最低支持版本
TensorFlow	2.16.1
JAX	0.4.20
PyTorch	2.1.0
OpenVINO	2025.3.0

添加 GPU 支持

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：

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

配置后端

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"

在 Colab 中，您可以：

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

import keras

注意： 必须在导入 keras 之前配置后端，导入包后无法更改后端。

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。

向后兼容

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。

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。

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。

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。

为何使用 Keras 3？

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。

在 Keras 3 发布公告. 中了解更多

5.1 KiB Raw Blame History Unescape Escape