- Keras 3.0'ın resmi olarak yayınlandığı duyuruldu; 5 aylık açık beta test sürecinden geçti
- Keras 3, Keras iş akışlarını JAX, TensorFlow ve PyTorch üzerinde çalıştırabilen baştan sona yeniden yazılmış bir sürüm
- Yeni büyük ölçekli model eğitimi ve dağıtım özellikleri sunuyor
Çoklu çerçeveli makine öğrenimine hoş geldiniz
- Keras kullanmanın avantajları; yüksek geliştirme hızı, kullanıcı deneyimi, API tasarımı ve hata ayıklama kolaylığına odaklanması
- 2,5 milyon geliştirici tarafından seçilmiş, Waymo otonom araçları ve YouTube öneri motoru gibi büyük ölçekli ML sistemlerinde kullanılan, kendini kanıtlamış bir çerçeve
- Keras 3; model performansı optimizasyonu, model ekosistemi seçeneklerinin genişletilmesi, büyük ölçekli model paralelliği ve veri paralelliği desteği gibi ek avantajlar sağlıyor
Keras 3 API, JAX, TensorFlow ve PyTorch'ta kullanılabilir
- Keras 3, Keras API'nin tamamını uygular ve TensorFlow, JAX ve PyTorch üzerinde kullanılabilir
- Yalnızca yerleşik katmanları kullanan tüm Keras modelleri, desteklenen tüm backend'lerde anında çalışır
- Mevcut
tf.kerasmodelleri de JAX ve PyTorch üzerinde doğrudan çalıştırılabilir
Çoklu çerçeve katmanları, modelleri ve metrikleri yazma
- Keras 3, tüm backend'lerde aynı şekilde çalışan bileşenler (özel katmanlar, önceden eğitilmiş modeller vb.) oluşturmayı mümkün kılar
keras.opsad alanı üzerinden backend'ler arası uyumlu bir NumPy API'si ve sinir ağlarına özgü işlevler sunar- Yalnızca
keras.opskullanıldığı sürece, özel katmanlar ve metrikler JAX, PyTorch ve TensorFlow'da aynı kodla çalışır
Büyük ölçekli veri paralelliği ve model paralelliği için yeni dağıtık API
- Büyük ölçekli model sharding sorununu çözmek için yeni bir dağıtık API sunuluyor
- Model tanımı, eğitim mantığı ve sharding yapılandırması birbirinden ayrılarak, modelin tek bir cihazda çalışıyormuş gibi yazılabilmesi sağlanıyor
- Veri paralelliği ve model paralelliği için sharding düzenlerini kolayca tanımlamayı sağlayan bir API sunuluyor
Önceden eğitilmiş modeller
- Keras 3'te kullanılabilen çeşitli önceden eğitilmiş modeller sunuluyor
- Tüm Keras Applications modelleri ile KerasCV ve KerasNLP'nin önceden eğitilmiş modelleri tüm backend'lerde çalışıyor
Tüm backend'lerde çerçeveler arası veri hattı desteği
- Keras 3 modelleri, JAX, PyTorch ve TensorFlow backend'inden bağımsız olarak çeşitli veri hatları kullanılarak eğitilebilir
Karmaşıklığın kademeli olarak açığa çıkarılması
- Keras API, basit iş akışlarından düşük seviyeli özelleştirmeye kadar farklı kullanıcı profillerine uygun çeşitli iş akışlarını destekleyen bir tasarım ilkesini izler
Durumsuz API
- Durum taşıyan tüm Keras nesneleri artık JAX işlevlerinde kullanılabilen durumsuz bir API'ye sahip
Keras 2'den Keras 3'e geçiş
- Keras 3, Keras 2 ile yüksek düzeyde uyumluluğa sahip; çoğu kullanıcı kod değişikliği yapmadan Keras 3'e geçebilir
- Daha büyük kod tabanları bazı kod değişiklikleri gerektirebilir, ancak geçişi desteklemek için kapsamlı bir migration guide sunuluyor
- Keras 2'yi kullanmaya devam etmek isteyenler
tf_keraspaketini kullanabilir veyaTF_USE_LEGACY_KERASortam değişkenini ayarlayarak Keras 2'yi kullanabilir
GN⁺ görüşü
Bu yazıdaki en önemli nokta, Keras 3.0'ın resmi olarak yayınlanması ve bunun geliştiricilere sunduğu yeni özelliklerdir. Keras 3.0; JAX, TensorFlow ve PyTorch gibi farklı backend'lerde çalışır ve büyük ölçekli model eğitimi ile dağıtım yeteneklerini geliştirerek makine öğrenimi geliştirmede esnekliği ve verimliliği önemli ölçüde artırır. Bu özellikler, makine öğrenimi topluluğu için oldukça heyecan verici bir gelişmedir ve geliştiricilere modelleri daha çeşitli ortamlarda deneme ve dağıtma fırsatı sunar.
3 yorum
Ben şahsen Keras'ı gerçekten çok seviyorum; artık Pytorch'u backend olarak kullanarak da çalıştırılabiliyor olması beni gerçekten sevindirdi.
O, yeni Keras sürümü duyurulmuş.
Ben sadece PyTorch öğrendim ama,
"mevcut tf.keras modelleri de JAX ve PyTorch'ta doğrudan çalıştırılabiliyor" denince, bunun nasıl yapıldığını merak ediyorum~
Vay, Keras 3 çıkmış. +_+
Model geliştirme de eğitim de biraz daha kolaylaşsa ne güzel olur.