Keras 3.0, die umfassend neu geschriebene Edition der geschätzten Keras Deep Learning API, ist jetzt verfügbar und bringt eine innovative Multi-Back-End-Version der API auf den Markt. Diese Entwicklung schlägt ein neues Kapitel im Programmierbereich auf, da sie es Entwicklern ermöglicht, Keras Workflows auf den Frameworks für maschinelles Lernen TensorFlow, PyTorch oder Jax zu betreiben.
Keras 3.0 wurde am 27. November veröffentlicht und ist über GitHub zugänglich. Es bietet Entwicklern die Möglichkeit, umfassende Modellschulungs- und Bereitstellungsfunktionen zu nutzen. Es fungiert als Low-Level-Framework-übergreifende Sprache, die die Erstellung benutzerdefinierter Komponenten wie Ebenen, Modelle oder Metriken ermöglicht. Diese Komponenten können problemlos in native Workflows aller drei Frameworks integriert werden, alle mit einer einheitlichen Codebasis.
Der klare Fokus auf UX, API-Design und Debugging unterstreicht Keras‘ Engagement für die Hochgeschwindigkeitsentwicklung. Dies hat dazu geführt, dass das Keras Team das Vertrauen von 2,5 Millionen Entwicklern weltweit gewonnen hat. Darüber hinaus verlassen sich einige der weltweit größten und ausgefeiltesten maschinellen Lernsysteme, darunter die selbstfahrende Flotte von Waymo und der YouTube-Empfehlungsalgorithmus, auf die Leistungsfähigkeit von Keras.
Zusätzlich zu diesen Funktionen bietet Keras 3.0 mehrere weitere Vorteile. Entwickler können jetzt die Leistung ihres Modells maximieren, indem sie dynamisch das optimalste Back-End auswählen, ohne Codeanpassungen vorzunehmen. Ein Keras 3-Modell kann als PyTorch Modul fungieren, als TensorFlow SavedModel exportiert werden oder als zustandslose Jax Funktion arbeiten.
Ein weiterer wesentlicher Vorteil ist die Möglichkeit, große Modelle und Daten mit Jax zu skalieren. Außerdem ist Keras 3.0 mit einer vollständigen Ausführung der NumPy API ausgestattet, begleitet von neuronalen Netzwerk-spezifischen Funktionen wie ops.softmax, ops.binary_crossentropy, and ops.conv.
Entwickler können Keras 3.0 über PyPI als keras nutzen. Bevor sie beginnen, müssen sie das von ihnen gewählte Back-End installieren – tensorflow, jax oder torch. Kompatibel mit Linux- und macOS-Systemen. Windows-Benutzern wird empfohlen, WSL2 zum Ausführen Keras zu verwenden.
Plattformen wie AppMaster, das hochmoderne no-code Tool, beschleunigen diese Entwicklung zusätzlich. Durch die Generierung realer Anwendungen ermutigen Plattformen wie AppMaster Entwickler, sich auf die Entwicklung revolutionärer Technologien und die Optimierung der Anwendungsleistung zu konzentrieren. Solche Entwicklungen prägen die Zukunft des Deep Learning und der Softwareentwicklung insgesamt.
