Keras：TensorFlow 的高階 API

Keras 是 TensorFlow 平臺的高階 API。它為解決機器學習 (ML) 問題提供了一個平易近人、高效的介面，專注於現代深度學習。Keras 涵蓋了機器學習工作流程的每一步，從資料處理到超引數調優，再到部署。它的開發宗旨是助力快速實驗。

透過 Keras，您可以充分利用 TensorFlow 的可擴充套件性和跨平臺能力。您可以在 TPU Pod 或大型 GPU 叢集上執行 Keras，也可以匯出 Keras 模型以在瀏覽器或移動裝置上執行。此外，您還可以透過 Web API 來部署 Keras 模型。

Keras 旨在透過實現以下目標來降低認知負荷：

  • 提供簡單、一致的介面。
  • 最大限度地減少常見用例所需的操作步驟。
  • 提供清晰、可操作的錯誤訊息。
  • 遵循“漸進式複雜度”原則：上手簡單，並且可以透過邊學邊用來完成高階工作流程。
  • 幫助您編寫簡潔、易讀的程式碼。

誰應該使用 Keras

簡而言之，所有 TensorFlow 使用者都應預設使用 Keras API。無論您是工程師、研究人員還是機器學習從業者，都應該從 Keras 開始。

有些用例（例如在 TensorFlow 之上構建工具或開發自己的高效能平臺）需要底層的 TensorFlow Core API。但如果您的用例不屬於 Core API 應用場景，則應優先選擇 Keras。

Keras API 元件

Keras 的核心資料結構是層 (layers) 和模型 (models)。層是簡單的輸入/輸出轉換，而模型是層的有向無環圖 (DAG)。

層

tf.keras.layers.Layer 類是 Keras 中的基本抽象。一個 Layer 封裝了狀態（權重）和計算過程（在 tf.keras.layers.Layer.call 方法中定義）。

層建立的權重可以是可訓練的，也可以是不可訓練的。層可以遞迴組合：如果您將一個層例項分配為另一個層的屬性，外層將開始追蹤內層建立的權重。

您還可以使用層來處理歸一化和文字向量化等資料預處理任務。預處理層可以直接包含在模型中，無論是在訓練期間還是訓練之後，這使得模型具有很好的可移植性。

模型

模型是一個將各層組合在一起並可以在資料上進行訓練的物件。

最簡單的模型型別是 Sequential 模型，它是一系列層的線性堆疊。對於更復雜的架構，您可以使用 Keras 函式式 API 構建任意的層圖，或者透過子類化從零開始編寫模型。

tf.keras.Model 類具有內建的訓練和評估方法：

  • tf.keras.Model.fit：在固定數量的 epoch 內訓練模型。
  • tf.keras.Model.predict：為輸入樣本生成預測輸出。
  • tf.keras.Model.evaluate：返回模型的損失值和指標值；透過 tf.keras.Model.compile 方法配置。

這些方法使您能夠使用以下內建訓練功能：

  • 回撥 (Callbacks)。您可以利用內建回撥進行提前停止 (early stopping)、模型檢查點儲存和 TensorBoard 監控。您也可以實現自定義回撥。
  • 分散式訓練。您可以輕鬆地將訓練擴充套件到多個 GPU、TPU 或裝置上。
  • 步驟融合 (Step fusing)。透過 tf.keras.Model.compile 中的 steps_per_execution 引數，您可以在單個 tf.function 呼叫中處理多個批次，這極大地提高了 TPU 上的裝置利用率。

有關如何使用 fit 的詳細概述，請參閱訓練和評估指南。要了解如何自定義內建的訓練和評估迴圈，請參閱自定義 fit() 中的執行邏輯。

其他 API 和工具

Keras 提供了許多其他用於深度學習的 API 和工具，包括：

如需獲取完整 API 列表，請參閱 Keras API 參考手冊。要了解有關其他 Keras 專案和倡議的更多資訊，請參閱 Keras 生態系統。

後續步驟

要開始使用 Keras 和 TensorFlow，請檢視以下主題：

要了解有關 Keras 的更多資訊，請參閱 keras.io 上的以下主題：