足球外围下注

博彩游戏下载app玩好吗中国体育彩票手机版7_Keras 3.0一统江湖！大更新整合PyTorch、JAX，全球250万开发者在用了

发布日期：2026-05-23 15:34 点击次数：189

博彩游戏下载app玩好吗中国体育彩票手机版7

新智元报谈亿百体育官网

剪辑：剪辑部

【新智元导读】今天，备受重掀开发者宽宥的深度学习框架Keras，负责更新了3.0版块，完毕了对PyTorch和JAX的辅助，同期性能素质，还能轻佻完毕大范围漫衍式锻练。

刚刚，Keras 3.0负责发布！

中国体育彩票手机版7

经过5个月的公开Beta测试，深度学习框架Keras 3.0终于面向悉数开发者推出。

全新的Keras 3对Keras代码库进行了彻底重写，不错在JAX、TensorFlow和PyTorch上运行，大约解锁全新大模子锻练和部署的新功能。

「Keras之父」François Chollet在最新版块发布之前，亦然作念了屡次预报。现时，有250+万的开发者都在使用Keras框架。

重磅讯息：咱们刚刚发布了 Keras 3.0！在 JAX、TensorFlow 和 PyTorch 上运行 Keras 使用 XLA 编译更快地锻练通过新的 Keras 分发 API 解锁淘气数目的开导和主机的锻练运行它现时在 PyPI 上上线

皇冠信用盘如何开户

开发者致使不错将Keras用作初级跨框架话语，以开发自界说组件，举例层、模子或主义。

只需一个代码库，这些组件便可用在JAX、TensorFlow、PyTorch中的原生职责流。

再次让Keras成为多后端

当先的Keras不错在Theano、TensorFlow、CNTK，致使MXNet上运行。

2018年，由于Theano和CNTK已罢手开发，TensorFlow似乎成为了独一可行的选用，于是，Keras将开发要点放在了TensorFlow上。

而到了本年，情况发生了变化。

凭证2023年StackOverflow开发者窥探，和2022年Kaggle机器学习和数据科学窥探等显现，

TensorFlow领有55%到60%的商场份额，是ML在分娩领域的首选。

而PyTorch领有40%到45%的商场份额，是ML在征询领域的首选。

与此同期，JAX天然商场份额要小得多，但已被Google DeepMind、Midjourney、Cohere等生成式AI领域的顶级参与者所禁受。

于是，开发团队对Keras代码库进行了彻底重写，新出身的Keras 3.0基于模块化后端架构进行了重构，有才智在职意框架上运行。

同期新的Keras也保证了兼容性，比如在使用TensorFlow后端时，你不错通俗地使用 import keras_core as keras 来替换from import keras

——现存的代码将毫无问题地运行，况兼由于 XLA 编译，时常性能略有提高。

Keras vs. TensorFlow

小编在这里给群众举一个例子，诠释怎样从TensorFlow的代码转换成Keras的阵势。

TensorFlow Core Implementation

Keras implementation

比较之下，咱们不错明晰地看到Keras带来的精辟性。

TensorFlow不错对每个变量进行更抽象的限定，而Keras提供了易用性和快速原型盘算的才智。

关于一些开发者来说，Keras省去了开发中的一些祸患，缩小了编程复杂性，检朴了时间本钱。

Keras 3.0新本性

Keras最大的上风在于，通过出色的UX、API盘算和可调试性可完毕高速开发。

况兼，它照旧一个经过实战考验的框架，并为宇宙上一些最复杂、最大范围的ML系统提供辅助，比如Waymo自动驾驶车、YouTube保举引擎。

那么，使用新的多后端Keras 3还有哪些罕见的上风呢？

- 持久为模子取得最好性能。

欧博官网

在基准测试中，发现JAX时常在GPU、TPU和CPU上提供最好的锻练和推感性能，但收场因模子而异，因为非XLA TensorFlow在GPU上偶尔会更快。

它大约动态选用为模子提供最好性能的后端，而无需对代码进行任何调动，这意味着开发者不错以最高收场进行锻练和事业。

- 为模子解锁生态系统可选性。

博彩游戏下载app玩好吗皇冠客服飞机：@seo3687

任何Keras 3模子都不错手脚PyTorch模块实例化，不错手脚 TensorFlow SavedModel 导出，也不错手脚无现象 JAX 函数实例化。

这意味着开发者不错将Keras 3模子与PyTorch生态系统包，全系列TensorFlow部署和分娩用具（如TF-Serving，TF.js和TFLite）以及JAX大范围TPU锻练基础架构一王人使用。使用 Keras 3 API 编写一个 model.py ，即可窥探 ML 宇宙提供的一切。

沙特方面给皇马中场核心莫德里奇送上了一份两年合同，每年年薪为8000万欧元+2000万欧元浮动条款。

- 愚弄JAX的大范围模子并行性和数据并行性。

Keras 3包含一个全新的漫衍式 API，即keras.distribution 定名空间，现时已在JAX后端完毕（行将在TensorFlow和PyTorch后端完毕）。

通过它，不错在职意模子圭臬和聚类圭臬上轻佻完毕模子并行、数据并行以及两者的组合。由于它能将模子界说、锻练逻辑和分片建树相互分离，因此使分发职责流易于开发和退换。

- 最大收场地扩掀开源模子版块的袒护面。

念念要发布预锻练模子？念念让尽可能多的东谈主大约使用它吗？要是你在纯TensorFlow或PyTorch中完毕它，它将被粗拙一半的社区使用。

要是你在Keras 3中完毕了它，那么任何东谈主都不错立即使用它，岂论他们选用的框架是什么（即使他们我方不是Keras用户）。在不增多开发本钱的情况下完毕2倍的影响。

- 使用来自任何开头的数据管谈。

Keras 3 / fit() / evaluate() predict() 例程与 tf.data.Dataset 对象、PyTorch DataLoader 对象、NumPy 数组、Pandas 数据帧兼容——岂论你使用什么后端。你不错在 PyTorch DataLoader 上锻练 Keras 3 + TensorFlow 模子，也不错在tf.data.Dataset上锻练Keras 3 + PyTorch模子。

预锻练模子

现时，开发者即可初始使用Keras 3的各式预锻练模子。

悉数40个Keras应用门径模子（ keras.applications 定名空间）在悉数后端都可用。KerasCV和KerasNLP中的广博预锻练模子也适用于悉数后端。

其中包括：

- BERT - OPT - Whisper - T5 - Stable Diffusion - YOLOv8跨框架开发

赌场排名

Keras 3大约让路发者创建在职何框架中都有计划的组件（如淘气自界说层或预锻练模子），它允许窥探适用于悉数后端的 keras.ops 定名空间。

Keras 3包含NumPy API的齐全完毕，——不是「近似 NumPy」，而是的确趣味上的 NumPy API，具有有计划的函数和参数。比如 ops.matmul、ops.sum、ops.stack、ops.einsum 等函数。

Keras 3还包含NumPy中莫得的，一组特定于神经收集的函数，举例 ops.softmax, ops.binary_crossentropy, ops.conv等。

www.kingofcasinoszonehomehub.com

另外，惟有开发者使用的运算，全部来自于keras.ops ，那么自界说的层、赔本函数、优化器就不错跳动JAX、PyTorch和TensorFlow，使用有计划的代码。

太阳城集团官网网址

开发者只需要退换一个组件完毕，就不错在悉数框架中使用它。

Keras架构

底下，咱们来略微厚实一下Keras的机制和架构。

在Keras中，Sequential 和 Model 类是模子构建的中枢，为拼装层和界说计较图提供了一个框架。

Sequential 是层的线性堆栈。它是Model 的子类，专为通俗情况而盘算，模子由具有一个输入和一个输出的线性层堆栈构成。

Sequential 类有以下一些主要特质：

通俗性：只需按照要践诺的律例列出图层即可。自动前向传递：当向Sequential模子添加层时，Keras会自动将每一层的输出衔尾到下一层的输入，从而创建前向传递，而无需手动插手。里面现象惩处：Sequential惩处层的现象（如权重和偏置）和计较图。调用compile时，它领路过指定优化器、赔本函数和主义来建树学习经过。锻练和推理：Sequential类提供了fit、evaluate和predict等措施，分离用于锻练、评估和掂量模子。这些措施在里面处理锻练轮回和推理经过。

Model类与函数式API一王人使用，提供了比Sequential更大的天真性。它专为更复杂的架构而盘算，包括具有多个输入或输出、分享层和非线性拓扑的模子。

皇冠体育代理

Model 类的主要特质有：

层图：Model允许创建层图，允许一个层衔尾到多个层，而不单是是上一个层和下一个层。显式输入和输出惩处：在函数式API中，不错显式界说模子的输入和输出。比较于Sequential，不错允许更复杂的架构。衔尾天真性：Model类不错处理具有分支、多个输入和输出以及分享层的模子，使其适用于通俗前馈收集之外的平凡应用。现象和锻练惩处：Model类惩处悉数层的现象和锻练经过，同期提供了对层的衔尾模样，以及数据在模子中的流动模样的更多限定。

Model 类和 Sequential类都依赖于以下机制：

层注册：在这些模子中添加层时，层会在里面注册，其参数也会添加到模子的参数列表中。自动微分：在锻练经过中，Keras使用后端引擎（TensorFlow等）提供的自动微分来计较梯度。这还是过对用户而言是透明的。后端践诺：实践计较（如矩阵乘法、激活等）由后端引擎处理，后端引擎践诺模子界说的计较图。序列化和反序列化：这些类包括保存和加载模子的措施，其中触及模子结构和权重的序列化。

从实践上讲，Keras中的Model和Sequential类抽象掉了界说和惩处计较图所触及的大部分复杂性，使用户大约专注于神经收集的架构，而不是底层的计较机制。

Keras 自动处理各层怎样相互衔尾、数据如安在收聚合流动以及怎样进行锻练和推理操作等犬牙相制的细节。