Keras 3.0正式發(fā)布，被譽(yù)為改變了機(jī)器學(xué)習(xí)游戲規(guī)則：

不僅支持TensorFlow、PyTorch、Jax三大框架作為后端，還能在它們之間無縫切換，甚至混合使用。

圖片

Keras之父Fran?ois Chollet認(rèn)為，這樣至少可以獲得4大好處：

• 始終讓模型獲得最佳性能：

JAX通常在GPU、CPU各種PU上都最快，但不使用XLA（加速線性代數(shù)）的Tensorflow在GPU上偶爾更快。

Keras 3.0能夠動(dòng)態(tài)為模型提供最佳性能的后端，而無需更改代碼，保證以最高效率運(yùn)行。

• 解鎖多個(gè)生態(tài)系統(tǒng)

任何Keras 3模型都可以作為PyTorch模塊實(shí)例化，可以導(dǎo)出為TF的SavedModel，或者可以實(shí)例化為無狀態(tài)的 JAX 函數(shù)。

這意味著可以將Keras 3模型與PyTorch生態(tài)的包，TensorFlow中的部署工具或生產(chǎn)工具，以及JAX大規(guī)模TPU訓(xùn)練基礎(chǔ)設(shè)施一起使用，獲得機(jī)器學(xué)習(xí)世界所提供的一切。

• 在開源社區(qū)擴(kuò)大影響力

如果使用純TensorFlow或PyTorch實(shí)現(xiàn)一個(gè)開源模型，都只有大約一半的人能使用。

但如果使用Keras 3，任何人無論偏好哪個(gè)框架，（即使不是 Keras 用戶）都能立刻使用。在不增加開發(fā)成本的情況下，使影響力翻倍。

• 使用任何來源的數(shù)據(jù)管道

無論使用哪個(gè)后端，Keras 3 都能與tf.data.Dataset對(duì)象、PyTorch DataLoader對(duì)象、NumPy 數(shù)組、Pandas數(shù)據(jù)框兼容。

這意味著可以在PyTorch DataLoader上訓(xùn)練Keras 3 + TensorFlow模型，或在 tf.data.Dataset上訓(xùn)練Keras 3 + PyTorch模型。

圖片

不少人都對(duì)這一進(jìn)展表示祝賀，項(xiàng)目參與者、谷歌高級(jí)工程師Aakash Kumar Nain認(rèn)為：

Keras 3再次展示了心智模型的重要性。開發(fā)API 是一方面，而開發(fā)一個(gè)擁有出色心智模型的API則完全是另一個(gè)層次的工程實(shí)踐。

圖片

也有開發(fā)者表示：

很高興能夠通過熟悉的Keras API獲得框架可選性，讓簡單的用例變得容易，復(fù)雜的用例也成為可能。

圖片

歡迎來到多框架機(jī)器學(xué)習(xí)

Keras 3.0發(fā)布公告中開篇寫到，歡迎來到多框架機(jī)器學(xué)習(xí)。

圖片

具體來說，Keras 3.0完全重寫了框架API，并使其可用于TensorFlow、JAX和PyTorch。

任何僅使用內(nèi)置層的Keras模型都將立即與所有支持的后端配合使用。

圖片

使用Keras 3可以創(chuàng)建在任何框架中都能以相同方式工作的組件，允許訪問跨所有后端運(yùn)行的keras.ops命名空間。

只要僅使用keras.ops中的ops，自定義層、損失、指標(biāo)和優(yōu)化器等就可以使用相同的代碼與JAX、PyTorch和TensorFlow配合使用。這意味著只需維護(hù)一個(gè)組件實(shí)現(xiàn)，就可以在所有框架中使用完全相同的數(shù)值。

圖片

除此之外，還發(fā)布了用于大規(guī)模數(shù)據(jù)并行和模型并行的新分布式API，為多設(shè)備模型分片問題提供Keras風(fēng)格的解決方案。

為此設(shè)計(jì)的API使模型定義、訓(xùn)練邏輯和分片配置完全獨(dú)立，這意味可以像在單個(gè)設(shè)備上運(yùn)行一樣編寫代碼，然后在訓(xùn)練任意模型時(shí)將任意分片配置添加到任意模型中。

圖片

不過新的分布式API目前僅適用于JAX后端，TensorFlow和PyTorch支持即將推出。

圖片

為適配JAX，還發(fā)布了用于層、模型、指標(biāo)和優(yōu)化器的新無狀態(tài)API，添加了相關(guān)方法。

圖片

這些方法沒有任何副作用，它們將目標(biāo)對(duì)象的狀態(tài)變量的當(dāng)前值作為輸入，并返回更新值作為其輸出的一部分。

用戶不用自己實(shí)現(xiàn)這些方法，只要實(shí)現(xiàn)了有狀態(tài)版本，它們就會(huì)自動(dòng)可用。

如果從Keras 2遷移到3，使用tf.keras開發(fā)的代碼通常可以按原樣在Keras 3中使用Tensorflow后端運(yùn)行。有限數(shù)量的不兼容之處也給出了遷移指南。

在舊版Keras 2中開發(fā)的預(yù)訓(xùn)練模型通常也可以在Keras 3中使用TensorFlow后端開箱即用。

如果舊版模型僅使用了Keras內(nèi)置層，那么也可以在Keras 3中使用JAX和PyTorch后端開箱即用。

也有人敲警鐘

在迫不及待嘗試新版本的開發(fā)社區(qū)氛圍中，Cohere機(jī)器學(xué)習(xí)總監(jiān)Nils Reimers提出“真心希望歷史不要重演”，也獲得不少關(guān)注。

圖片

Reimers認(rèn)為，Keras最初從支持單個(gè)后端（Theano）開始，陸續(xù)添加了Tensorflow、MXNet和CNTK等多后端。

這引發(fā)了一系列問題：

• 某些功能只在特定后端可用
• 各個(gè)后端的計(jì)算結(jié)果存在不一致：在一個(gè)后端上運(yùn)行正常的代碼，在另一個(gè)后端可能產(chǎn)生不同結(jié)果
• 對(duì)于開源軟件開發(fā)者來說體驗(yàn)糟糕：你剛完成了一個(gè)自定義的 Keras層想要分享？你是否愿意為其他后端重新實(shí)現(xiàn)和優(yōu)化它呢？
• 調(diào)試問題：代碼在一個(gè)后端上表現(xiàn)完美，但在另一個(gè)后端的最新版本上卻頻繁出錯(cuò)…

隨著時(shí)間推移，這些問題愈發(fā)嚴(yán)重：某些模塊只能在 Theano 上運(yùn)行良好，某些只適用于Tensorflow，還有一些模塊可以在MXNet上進(jìn)行推理，但無法訓(xùn)練…

因此，2019年Keras轉(zhuǎn)向單一后端（Tensorflow），是保障這一偉大項(xiàng)目繼續(xù)存在的關(guān)鍵之舉。

我希望這一次的多后端能有更好的表現(xiàn)，但這無疑仍是一個(gè)挑戰(zhàn)。

您是否需要等到像FlashAttention v2這樣的重要特性在JAX、TensorFlow和PyTorch 上都可用后，才能在 Keras 中使用它？還是說您只能在某些特定后端中使用它？

對(duì)于未來，我們還面臨著許多未解決的挑戰(zhàn)。

參考鏈接：
[1]https://keras.io/keras_3/[2]https://x.com/sampathweb/status/1729556960314339534[3]https://twitter.com/Nils_Reimers/status/1729612017340657993