Keras 3.0: Flexibles Deep-Learning mit Multi-Backends

Die Entwickler des Deep-Learning-Projekts haben kürzlich die neueste Version 3.0 der Keras-Bibliothek vorgestellt. Mit dieser Version kommen spannende neue Funktionen, darunter eine frische Multi-Backend-Implementierung, die TensorFlow, JAX und PyTorch unterstützt. Keras ist eine Open-Source-Bibliothek, die in Python entwickelt wurde und eine einheitliche Schnittstelle auf einer hohen Abstraktionsebene für verschiedene Deep-Learning-Frameworks bietet. Dadurch wird es einfacher, Machine-Learning-Anwendungen zu entwickeln, insbesondere solche mit komplexeren neuronalen Netzen.

Mit der neuen Keras 3.0-Version können Nutzer ihre Modelle dynamisch über verschiedene Backends wie JAX von Google, TensorFlow oder das von Meta entwickelte PyTorch konfigurieren. Das Projekt ermöglicht eine gewisse Skalierbarkeit durch Modell- und Datenparallelismus, insbesondere in Verbindung mit JAX. Es bietet auch mehr Flexibilität, da verschiedene Datenquellen integriert werden können, wie zum Beispiel tf.data.Dataset, PyTorch DataLoader, NumPy-Arrays und Pandas-Dataframes.

Zusätzlich zu diesen Verbesserungen zielt die neue Version von Keras darauf ab, Lösungen für die Herausforderungen beim Umgang mit umfangreichen Modellen und ihrer Verteilung über mehrere Geräte hinweg anzubieten. Mit Keras können Entwickler die Modelldefinition, Trainingslogik und Sharding-Konfiguration klar voneinander trennen. Aus Sicht des Modells wirkt es, als ob es auf einem einzigen Gerät ausgeführt wird. Nach der Installation können Entwickler individuelle Sharding-Konfigurationen integrieren. Derzeit ist diese Funktionalität nur mit dem JAX-Backend verfügbar, jedoch sollen die Funktionen zukünftig auch für TensorFlow und PyTorch bereitgestellt werden.

Die gute Nachricht für diejenigen, die bereits Keras 2 verwenden, ist, dass die Version 3.0 größtenteils rückwärtskompatibel ist. Die meisten Benutzer müssen keine Anpassungen an ihrem Code vornehmen, um ihre Skripte auch auf der neuen Version ausführen zu können. Das Keras-Projektteam weist jedoch darauf hin, dass größere Codebasen möglicherweise einige Anpassungen erfordern könnten.

Für diejenigen, die vorerst bei Keras 2 bleiben möchten, stehen zwei Möglichkeiten zur Verfügung: Entweder kann das eigenständige Paket tf_keras verwendet werden oder es kann eine Umgebungsvariable in TensorFlow 2.16+ gesetzt werden.

Keras steht unter der Apache-2.0-Lizenz als Open-Source-Bibliothek zur Verfügung und kann auf GitHub gefunden werden. Diese Aktualisierung bietet den Nutzern mehr Flexibilität und ermöglicht es ihnen, die Vorteile der verschiedenen Backends zu nutzen, um ihre Deep-Learning-Modelle auf effiziente Weise zu entwickeln. Es bleibt spannend zu sehen, wie Entwickler diese neuen Funktionen in ihre Projekte integrieren und welche weiteren Möglichkeiten sich in Zukunft mit Keras eröffnen werden.

Schlagwörter: Keras 30 + MultiBackendImplementierung + MachineLearningAnwendungen

Wie bewerten Sie den Schreibstil des Artikels?