Die Entwickler des Deep-Learning-Projekts haben k\u00fcrzlich 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 unterst\u00fctzt. Keras ist eine Open-Source-Bibliothek, die in Python entwickelt wurde und eine einheitliche Schnittstelle auf einer hohen Abstraktionsebene f\u00fcr verschiedene Deep-Learning-Frameworks bietet. Dadurch wird es einfacher, Machine-Learning-Anwendungen zu entwickeln, insbesondere solche mit komplexeren neuronalen Netzen.<\/p>\n
Mit der neuen Keras 3.0-Version k\u00f6nnen Nutzer ihre Modelle dynamisch \u00fcber verschiedene Backends wie JAX von Google, TensorFlow oder das von Meta entwickelte PyTorch konfigurieren. Das Projekt erm\u00f6glicht eine gewisse Skalierbarkeit durch Modell- und Datenparallelismus, insbesondere in Verbindung mit JAX. Es bietet auch mehr Flexibilit\u00e4t, da verschiedene Datenquellen integriert werden k\u00f6nnen, wie zum Beispiel tf.data.Dataset, PyTorch DataLoader, NumPy-Arrays und Pandas-Dataframes.<\/p>\n
Zus\u00e4tzlich zu diesen Verbesserungen zielt die neue Version von Keras darauf ab, L\u00f6sungen f\u00fcr die Herausforderungen beim Umgang mit umfangreichen Modellen und ihrer Verteilung \u00fcber mehrere Ger\u00e4te hinweg anzubieten. Mit Keras k\u00f6nnen Entwickler die Modelldefinition, Trainingslogik und Sharding-Konfiguration klar voneinander trennen. Aus Sicht des Modells wirkt es, als ob es auf einem einzigen Ger\u00e4t ausgef\u00fchrt wird. Nach der Installation k\u00f6nnen Entwickler individuelle Sharding-Konfigurationen integrieren. Derzeit ist diese Funktionalit\u00e4t nur mit dem JAX-Backend verf\u00fcgbar, jedoch sollen die Funktionen zuk\u00fcnftig auch f\u00fcr TensorFlow und PyTorch bereitgestellt werden.<\/p>\n
Die gute Nachricht f\u00fcr diejenigen, die bereits Keras 2 verwenden, ist, dass die Version 3.0 gr\u00f6\u00dftenteils r\u00fcckw\u00e4rtskompatibel ist. Die meisten Benutzer m\u00fcssen keine Anpassungen an ihrem Code vornehmen, um ihre Skripte auch auf der neuen Version ausf\u00fchren zu k\u00f6nnen. Das Keras-Projektteam weist jedoch darauf hin, dass gr\u00f6\u00dfere Codebasen m\u00f6glicherweise einige Anpassungen erfordern k\u00f6nnten.<\/p>\n
F\u00fcr diejenigen, die vorerst bei Keras 2 bleiben m\u00f6chten, stehen zwei M\u00f6glichkeiten zur Verf\u00fcgung: Entweder kann das eigenst\u00e4ndige Paket tf_keras verwendet werden oder es kann eine Umgebungsvariable in TensorFlow 2.16+ gesetzt werden.<\/p>\n
Keras steht unter der Apache-2.0-Lizenz als Open-Source-Bibliothek zur Verf\u00fcgung und kann auf GitHub gefunden werden. Diese Aktualisierung bietet den Nutzern mehr Flexibilit\u00e4t und erm\u00f6glicht 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 M\u00f6glichkeiten sich in Zukunft mit Keras er\u00f6ffnen werden.<\/p>\n
Schlagw\u00f6rter: Keras 30 + MultiBackendImplementierung + MachineLearningAnwendungen<\/p>\n","protected":false},"excerpt":{"rendered":"
Die Entwickler des Deep-Learning-Projekts haben k\u00fcrzlich 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 unterst\u00fctzt. Keras ist eine Open-Source-Bibliothek, die in Python entwickelt wurde und eine einheitliche Schnittstelle auf einer hohen Abstraktionsebene f\u00fcr verschiedene Deep-Learning-Frameworks...<\/p>\n","protected":false},"author":4,"featured_media":2406,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-2407","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/posts\/2407","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=2407"}],"version-history":[{"count":0,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/posts\/2407\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=\/wp\/v2\/media\/2406"}],"wp:attachment":[{"href":"https:\/\/byte-bucket.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=2407"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=2407"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/byte-bucket.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=2407"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}