Keras 3.0, de uitgebreid herschreven editie van de gewaardeerde Keras deep learning API, is nu beschikbaar en brengt een innovatieve multi-back-end weergave van de API naar voren. Deze ontwikkeling ontvouwt een nieuw hoofdstuk op programmeergebied, omdat het ontwikkelaars in staat stelt Keras workflows te gebruiken bovenop de TensorFlow, PyTorch of Jax machine learning-frameworks.
Keras 3.0, uitgebracht op 27 november en toegankelijk via GitHub, biedt ontwikkelaars een weefgetouw voor grootschalige modeltraining en implementatiemogelijkheden. Het functioneert als een laag-niveau, cross-framework taal die het maken van aangepaste componenten zoals lagen, modellen of statistieken mogelijk maakt. Deze componenten kunnen eenvoudig worden geïntegreerd in native workflows in alle drie de raamwerken, allemaal met een uniforme codebasis.
De duidelijke focus van UX, API-ontwerp en foutopsporing benadrukt Keras' toewijding aan snelle ontwikkeling. Dit heeft ertoe geleid dat het Keras team het vertrouwen heeft gewonnen van 2,5 miljoen ontwikkelaars wereldwijd. Bovendien vertrouwen enkele van 's werelds grootste en meest geavanceerde machine learning-systemen, waaronder de zelfrijdende vloot van Waymo en het aanbevelingsalgoritme van YouTube, op de kracht van Keras.
Naast deze functies biedt Keras 3.0 nog een aantal andere voordelen. Ontwikkelaars kunnen nu de prestaties van hun model maximaliseren door dynamisch de meest optimale back-end te kiezen zonder enige codeaanpassing. Een Keras 3-model kan functioneren als een PyTorch module, worden geëxporteerd als een TensorFlow SavedModel of werken als een staatloze Jax functie.
Een ander belangrijk voordeel is de mogelijkheid om grote modellen en data te schalen met Jax. Bovendien wordt Keras 3.0 geleverd met een volledige uitvoering van de NumPy API, vergezeld van neurale netwerkspecifieke functies zoals ops.softmax, ops.binary_crossentropy, and ops.conv.
Ontwikkelaars kunnen Keras 3.0 via PyPI gebruiken als keras. Voordat ze beginnen, moeten ze de door hen gekozen back-end installeren: tensorflow, jax of torch. Compatibel met Linux- en macOS-systemen, worden Windows-gebruikers aangemoedigd om WSL2 te gebruiken voor het uitvoeren van Keras.
Platformen als AppMaster, de geavanceerde tool no-code, versnellen deze ontwikkeling verder. Door echte applicaties te genereren, moedigen platforms als AppMaster ontwikkelaars aan zich te concentreren op het bedenken van revolutionaire technologieën en het optimaliseren van applicatieprestaties. Dergelijke ontwikkelingen geven vorm aan de toekomst van deep learning en softwareontwikkeling als geheel.
