Keras 3.0正式發布，被譽為改變了機器學習游戲規則：

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）的Tensorflow在GPU上偶爾更快。

Keras 3.0能夠動態為模型提供最佳性能的后端，而無需更改代碼，保證以最高效率運行。

• 解鎖多個生態系統

任何Keras 3模型都可以作為PyTorch模塊實例化，可以導出為TF的SavedModel，或者可以實例化為無狀態的 JAX 函數。

這意味著可以將Keras 3模型與PyTorch生態的包，TensorFlow中的部署工具或生產工具，以及JAX大規模TPU訓練基礎設施一起使用，獲得機器學習世界所提供的一切。

• 在開源社區擴大影響力

如果使用純TensorFlow或PyTorch實現一個開源模型，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框架，（即使不是 Keras 用戶）都能立刻使用。在不增加開發成本的情況下，使影響力翻倍。

• 使用任何來源的數據管道

無論使用哪個后端，Keras 3 都能與tf.data.Dataset對象、PyTorch DataLoader對象、NumPy 數組、Pandas數據框兼容。

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

圖片

不少人都對這一進展表示祝賀，項目參與者、谷歌高級工程師Aakash Kumar Nain認為：

Keras 3再次展示了心智模型的重要性。開發API 是一方面，而開發一個擁有出色心智模型的API則完全是另一個層次的工程實踐。

圖片

也有開發者表示：

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，復雜的用例也成為可能。

圖片

歡迎來到多框架機器學習

Keras 3.0發布公告中開篇寫到，歡迎來到多框架機器學習。

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、指標和優化器等就可以使用相同的代碼與JAX、PyTorch和TensorFlow配合使用。這意味著只需維護一個組件實現，就可以在所有框架中使用完全相同的數值。

圖片

除此之外，還發布了用于大規模數據并行和模型并行的新分布式API，為多設備模型分片問題提供Keras風格的解決方案。

為此設計的API使模型定義、訓練邏輯和分片配置完全獨立，這意味可以像在單個設備上運行一樣編寫代碼，然后在訓練任意模型時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，還發布了用于層、模型、指標和優化器的新無狀態API，添加了相關方法。

圖片

這些方法沒有任何副作用，它們將目標對象的狀態變量的當前值作為輸入，并返回更新值作為其輸出的一部分。

用戶不用自己實現這些方法，只要實現了有狀態版本，它們就會自動可用。

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

在舊版Keras 2中開發的預訓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社區氛圍中，Cohere機器學習總監Nils Reimers提出“真心希望歷史不要重演”，也獲得不少關注。

圖片

Reimers認為，Keras最初從支持單個后端（Theano）開始，陸續添加了Tensorflow、MXNet和CNTK等多后端。

這引發了一系列問題：

• 某些功能只在特定后端可用
• 各個后端的計算結果存在不一致：在一個后端上運行正常的代碼，在另一個后端可能產生不同結果
• 對于開源軟件開發者來說體驗糟糕：你剛完成了一個自定義的 Keras層想要分享？你是否愿意為其他后端重新實現和優化它呢？
• 調試問題：代碼在一個后端上表現完美，但在另一個后端的最新版本上卻頻繁出錯…

隨著時間推移，這些問題愈發嚴重：某些模塊只能在 Theano 上運行良好，某些只適用于Tensorflow，還有一些模塊可以在MXNet上進行推理，但無法訓練…

因此，2019年Keras轉向單一后端（Tensorflow），是保障這一偉大項目繼續存在的關鍵之舉。

我希望這一次的多后端能有更好的表現，但這無疑仍是一個挑戰。

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？

對于未來，我們還面臨著許多未解決的挑戰。

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