Keras 3.0، الإصدار المعاد كتابته على نطاق واسع من واجهة برمجة التطبيقات Keras للتعلم العميق الموقرة، متوفر الآن، مما يقدم عرضًا مبتكرًا متعدد الواجهات الخلفية لواجهة برمجة التطبيقات. يكشف هذا التطوير عن فصل جديد في عالم البرمجة لأنه يسمح للمطورين بتشغيل سير عمل Keras أعلى أطر التعلم الآلي TensorFlow أو PyTorch أو Jax.
تم إصدار Keras 3.0 في 27 نوفمبر ويمكن الوصول إليه من خلال GitHub، وهو يمكّن المطورين من توفير آلة للتدريب على النماذج واسعة النطاق وقدرات النشر. وهي تعمل كلغة منخفضة المستوى ومتعددة الإطارات تتيح صياغة مكونات مخصصة مثل الطبقات أو النماذج أو المقاييس. يمكن دمج هذه المكونات بسهولة في مسارات العمل الأصلية عبر جميع الأطر الثلاثة، وكل ذلك باستخدام أساس كود موحد.
يؤكد التركيز الواضح على تصميم تجربة المستخدم وواجهة برمجة التطبيقات وتصحيح الأخطاء على تفاني Keras في التطوير عالي السرعة. وقد أدى ذلك إلى حصول فريق Keras على ثقة 2.5 مليون مطور حول العالم. علاوة على ذلك، تعتمد بعض أنظمة التعلم الآلي الأكبر حجمًا والأكثر تطورًا في العالم، بما في ذلك أسطول Waymo للقيادة الذاتية وخوارزمية توصيات YouTube، على قوة Keras.
بالإضافة إلى هذه الميزات، يقدم Keras 3.0 العديد من المزايا الأخرى. يمكن للمطورين الآن زيادة أداء نموذجهم إلى الحد الأقصى من خلال الاختيار الديناميكي للواجهة الخلفية الأمثل دون إجراء أي تعديلات على التعليمات البرمجية. يمكن أن يعمل نموذج Keras 3 كوحدة PyTorch ، أو يمكن تصديره كنموذج TensorFlow SavedModel ، أو العمل كدالة Jax عديمة الحالة.
ميزة أخرى مهمة هي القدرة على توسيع نطاق النماذج والبيانات الكبيرة باستخدام Jax. أيضًا، يأتي Keras 3.0 مزودًا بالتنفيذ الكامل لواجهة برمجة التطبيقات NumPy ، مصحوبة بوظائف خاصة بالشبكة العصبية مثل ops.softmax, ops.binary_crossentropy, and ops.conv.
يمكن للمطورين الاستفادة من Keras 3.0 من خلال PyPI كـ keras. قبل البدء، سيحتاجون إلى تثبيت الواجهة الخلفية التي اختاروها - tensorflow أو jax أو torch. متوافق مع أنظمة Linux وmacOS، ويتم تشجيع مستخدمي Windows على استخدام WSL2 لتشغيل Keras.
تعمل منصات مثل AppMaster ، الأداة المتطورة التي no-code ، على تسريع هذا التطوير بشكل أكبر. ومن خلال إنشاء تطبيقات حقيقية، تشجع منصات مثل AppMaster المطورين على التركيز على ابتكار تقنيات ثورية وتحسين أداء التطبيقات. تعمل مثل هذه التطورات على تشكيل مستقبل التعلم العميق وتطوير البرمجيات ككل.
