Keras 3：面向人类的深度学习

Keras 3 是一个支持多后端的深度学习框架，兼容 JAX、TensorFlow、PyTorch 和 OpenVINO（仅用于推理）。
您可以轻松构建和训练用于计算机视觉、自然语言处理、音频处理、时间序列预测、推荐系统等领域的模型。

• 加速模型开发：借助 Keras 的高级用户体验以及 PyTorch 或 JAX 的即时执行等易于调试的运行时环境，您可以更快地交付深度学习解决方案。
• 行业领先性能：通过为您的模型架构选择最快的后端（通常是 JAX），相比其他框架可获得 20% 至 350% 的性能提升。基准测试链接。
• 数据中心级训练：无论是在笔记本电脑上还是在大型 GPU 或 TPU 集群中，您都可以自信地扩展训练规模。

近三百万开发者，从初创企业到全球性企业，都在使用 Keras 3 来释放深度学习的强大潜力。

安装

使用 pip 安装

Keras 3 已在 PyPI 上以 keras 的名称发布。请注意，Keras 2 仍可通过 tf-keras 包获取。

1. 安装 keras：

pip install keras --upgrade

2. 安装后端包。

要使用 keras，您还需要安装所选的后端：tensorflow、jax 或 torch。此外，openvino 后端仅支持模型推理。

本地安装

最小化安装

Keras 3 兼容 Linux 和 macOS 系统。对于 Windows 用户，我们建议使用 WSL2 来运行 Keras。要安装本地开发版本：

1. 安装依赖项：

pip install -r requirements.txt

2. 在根目录下运行安装命令：

python pip_build.py --install

3. 当您提交更新 keras_export 公开 API 的 PR 时，请运行 API 生成脚本：

./shell/api_gen.sh

后端兼容性表

下表列出了 Keras 最新稳定版本 (v3.x) 对各后端的最低支持版本：

后端	最低支持版本
TensorFlow	2.16.1
JAX	0.4.20
PyTorch	2.1.0
OpenVINO	2025.3.0

添加 GPU 支持

requirements.txt 文件将安装仅支持 CPU 的 TensorFlow、JAX 和 PyTorch 版本。若需 GPU 支持，我们还提供了针对 TensorFlow、JAX 和 PyTorch 的单独 requirements-{backend}-cuda.txt 文件。这些文件会通过 pip 安装所有 CUDA 依赖项，并假定已预先安装 NVIDIA 驱动程序。我们建议为每个后端创建独立的 Python 环境，以避免 CUDA 版本不匹配。以下是以 conda 创建 JAX GPU 环境的示例：

conda create -y -n keras-jax python=3.10
conda activate keras-jax
pip install -r requirements-jax-cuda.txt
python pip_build.py --install

配置后端

您可以通过导出环境变量 KERAS_BACKEND，或编辑本地配置文件 ~/.keras/keras.json 来配置后端。可用的后端选项有：“tensorflow”、“jax”、“torch”、“openvino”。示例如下：

export KERAS_BACKEND="jax"

在 Colab 中，您可以这样做：

import os
os.environ["KERAS_BACKEND"] = "jax"

import keras

注意：必须在导入 keras 之前配置后端，且一旦导入该包后，便无法再更改后端。

注意：OpenVINO 后端仅为推理后端，即它仅用于通过 model.predict() 方法进行模型预测。

向后兼容性

Keras 3 旨在作为 tf.keras 的直接替代品（当使用 TensorFlow 后端时）。只需将您现有的 tf.keras 代码迁移过来，确保调用 model.save() 时使用最新的 .keras 格式，即可完成迁移。

如果您的 tf.keras 模型不包含自定义组件，您可以立即在 JAX 或 PyTorch 后端上运行它。

如果模型包含自定义组件（例如自定义层或自定义 train_step()），通常只需几分钟即可将其转换为与后端无关的实现。

此外，Keras 模型可以消费任何格式的数据集，无论您使用何种后端：您可以继续使用现有的 tf.data.Dataset 数据管道或 PyTorch 的 DataLoader 来训练模型。

为什么使用 Keras 3？

• 您可以在任何框架之上运行高级别的 Keras 工作流，从而灵活利用各框架的优势，例如 JAX 的可扩展性和高性能，或 TensorFlow 的生产级生态系统选项。
• 您可以编写自定义组件（如层、模型、指标），并在任何框架的底层工作流中使用它们。
  • 您可以将 Keras 模型放入用原生 TF、JAX 或 PyTorch 手写训练循环中进行训练。
  • 您也可以将 Keras 模型作为 PyTorch 原生 Module 的一部分，或作为 JAX 原生模型函数的一部分来使用。
• 通过避免框架锁定，使您的机器学习代码更具未来适应性。
• 对于 PyTorch 用户：终于可以享受到 Keras 的强大功能和易用性！
• 对于 JAX 用户：终于可以使用功能齐全、久经考验且文档完善的建模与训练库。

更多信息请参阅 Keras 3 发布公告。

Keras 3 快速上手指南

Keras 3 是一个支持多后端（JAX、TensorFlow、PyTorch、OpenVINO）的深度学习框架，旨在让开发者能够轻松构建和训练各类模型，同时享受不同后端带来的性能优势。

环境准备

• 操作系统：兼容 Linux 和 macOS。Windows 用户推荐使用 WSL2。
• Python 版本：建议 Python 3.9+（示例中使用 3.10）。
• 前置依赖：
  • 需预先安装所选后端的底层框架：tensorflow、jax 或 torch。
  • GPU 支持：若需使用 GPU，请确保已安装对应的 NVIDIA 驱动，并建议使用独立的虚拟环境（如 conda）以避免 CUDA 版本冲突。
• 国内加速：推荐使用国内镜像源加速安装（如清华源、阿里源）。

安装步骤

1. 基础安装（CPU 版本）

使用 pip 安装 Keras 3 及你选择的后端框架。以下以安装 jax 后端为例（也可替换为 tensorflow 或 torch）：

# 推荐使用国内镜像源加速
pip install keras -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade
pip install jax -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：Keras 2 用户请注意，旧版本现在以 tf-keras 包名提供，新版包名为 keras。

2. GPU 版本安装（可选）

若需启用 GPU 加速，建议创建干净的 conda 环境并安装包含 CUDA 依赖的要求文件。以下以 JAX GPU 为例：

conda create -y -n keras-jax python=3.10
conda activate keras-jax

# 安装包含 CUDA 依赖的 requirements 文件（需自行获取或参考官方仓库）
pip install -r requirements-jax-cuda.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 从源码安装本地开发版本（如果是从 GitHub clone 的项目）
python pip_build.py --install

基本使用

配置后端

在导入 keras 之前，必须通过环境变量指定后端。一旦导入，后端将无法更改。

方法一：命令行设置（推荐）

export KERAS_BACKEND="jax"

方法二：代码中设置（适用于 Colab 或脚本）

import os
os.environ["KERAS_BACKEND"] = "jax"  # 可选："tensorflow", "torch", "openvino"

import keras

快速示例：构建并训练一个简单的模型

以下示例展示了一个通用的工作流程，无论后端如何，代码结构保持一致：

import os
os.environ["KERAS_BACKEND"] = "jax" # 确保在导入 keras 前设置

import keras
from keras import layers, models

# 1. 定义模型
model = models.Sequential([
    layers.Input(shape=(784,)),
    layers.Dense(64, activation="relu"),
    layers.Dropout(0.5),
    layers.Dense(10, activation="softmax")
])

# 2. 编译模型
model.compile(
    optimizer="adam",
    loss="sparse_categorical_crossentropy",
    metrics=["accuracy"]
)

# 3. 准备数据 (此处使用随机数据演示，实际使用中可替换为 tf.data 或 PyTorch DataLoader)
import numpy as np
x_train = np.random.random((1000, 784))
y_train = np.random.randint(0, 10, (1000,))
x_test = np.random.random((200, 784))
y_test = np.random.randint(0, 10, (200,))

# 4. 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split=0.2)

# 5. 评估模型
score = model.evaluate(x_test, y_test, verbose=0)
print(f"Test loss: {score[0]}, Test accuracy: {score[1]}")

迁移提示

如果你已有 tf.keras 代码，Keras 3 通常可以直接作为替代品运行。只需确保 model.save() 使用新的 .keras 格式即可。若包含自定义组件，稍作调整即可实现跨后端运行。