Keras

Keras 是一个用于构建和训练神经网络的开源高级 Python API。François Chollet 于 2015 年 3 月发布了 Keras，旨在让深度学习实验更容易快速编写：模型由层堆叠而成或构成计算图，compile用于设置优化器、损失函数和指标，而 fit则负责运行训练循环。Keras 后来成为 TensorFlow 的官方高级 API；2023 年 11 月发布的 Keras 3 可以在 JAX、TensorFlow 或 PyTorch 上运行相同的模型代码，具体后端在导入 Keras 时选择。Keras 简洁易读的代码让它成为教学、原型开发和 Kaggle 竞赛的常见选择，也适用于图像分类和自然语言处理等领域的生产模型。

Keras 的工作原理#

Keras 模型由 Dense、Conv2D、LSTM 和 MultiHeadAttention 等层构成，每层都持有自己的权重。Keras 提供三种组装方式：用于简单堆叠的 Sequential API、用于包含分支、共享层或多个输入的计算图的函数式 API，以及用于全面控制前向传播的子类化 keras.Model。编译后的模型通过 fit 进行训练，它会处理批处理、反向传播、指标、验证数据和用于保存检查点或提前停止的回调，然后使用 evaluate 和 predict 对新数据进行评分。下面的代码使用 Keras 自带的 MNIST 数据集训练一个小型数字分类器：

import os

os.environ["KERAS_BACKEND"] = "torch"  # or "jax" or "tensorflow", set before importing Keras

import keras

# MNIST handwritten digits, with pixels scaled to [0, 1]
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# Define the model as a stack of layers
model = keras.Sequential(
    [
        keras.Input(shape=(28, 28)),
        keras.layers.Flatten(),
        keras.layers.Dense(128, activation="relu"),
        keras.layers.Dense(10, activation="softmax"),
    ]
)

# Configure training, then train and evaluate
model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])
model.fit(x_train, y_train, epochs=2, batch_size=64, verbose=0)
loss, accuracy = model.evaluate(x_test, y_test, verbose=0)
print(f"Test accuracy: {accuracy:.3f}")

经过两个轮次后，程序会输出约 0.96 的测试准确率；将 "torch" 改为 "jax" 或 "tensorflow"，即可在另一个框架上运行同一模型，无需修改其他任何一行代码。

Keras 3 及其后端#

Keras 最初可运行在多个引擎上，包括 Theano、TensorFlow 和 CNTK。2019 年 9 月发布的 Keras 2.3 是最后一个支持多后端的版本；之后，开发工作转入 TensorFlow，并成为 tf.keras。Keras 3恢复了后端独立性：层和模型基于 keras.ops 编写，这是一组类似 NumPy 的操作，由各个后端分别实现；因此，使用 .keras 格式保存的模型可以在任何后端重新加载并训练。使用 PyTorch 后端时，Keras 模型同时也是一个 torch.nn.Module，可供自定义 PyTorch 训练循环使用；从 Keras 3.8 开始，纯推理的 OpenVINO 后端还能在 Intel 硬件上运行训练好的模型。

从 TensorFlow 2.16 开始，安装 TensorFlow 时会一并安装 Keras 3；仍需要 Keras 2 的代码则使用单独的 tf_keras 包。模型转换器也支持 Keras：当 Ultralytics YOLO 将 YOLO26导出为 TensorFlow SavedModel时，onnx2tf 转换器会根据其 ONNX计算图逐层重建 PyTorch 网络，将其转换为 Keras 模型后再保存。

KerasHub 中的预训练模型#

KerasHub提供热门架构的 Keras 3 实现和预训练检查点，例如用于图像的 ResNet、用于文本的 BERT，以及 Gemma 大语言模型。指定一个预设名称即可加载可用于迁移学习的模型：keras_hub.models.ImageClassifier.from_preset("resnet_50_imagenet")会返回一个在 ImageNet 上训练的分类器，你只需像上文一样调用 fit，即可通过微调让它适配新数据集。与 Keras 3 的其他部分一样，KerasHub 模型可在三个训练后端中的任意一个上运行。

Keras 与 TensorFlow 和 PyTorch 的比较#

• TensorFlow：一个拥有自身运行时、编译器和部署工具（例如 TensorFlow Serving 和 LiteRT）的完整框架。许多 TensorFlow 用户通过 Keras API 编写模型，而 TensorFlow 是运行 Keras 代码的引擎之一。
• PyTorch：一个通常由用户自行编写训练循环，或使用 PyTorch Lightning 等库的框架。Keras 通过 fit提供训练循环，也可以使用 PyTorch 作为后端，因此两者并不互斥。
• JAX：Google 提供的库，用于组合函数变换以实现微分、XLA 编译和向量化。JAX 没有内置的层或训练 API，而 Keras 是在其基础上获得这类 API 的方式之一。