Keras：TensorFlow 的高级 API

Keras：TensorFlow 的高级 API#

Keras 是 TensorFlow 平台的高级 API。它提供了一个易于理解的高效接口，非常适合解决机器学习 (ML) 问题，重点关注现代深度学习。Keras 涵盖了机器学习工作流的每个步骤，从数据处理到超参数调优，再到部署。它的开发重点是实现快速实验。

借助 Keras，您可以完全利用 TensorFlow 的可扩缩性和跨平台能力。您可以在 TPU Pod 或大型 GPU 集群上运行 Keras，而且可以导出 Keras 模型以在浏览器中或移动设备上运行。此外，您还可以通过 Web API 提供 Keras 模型。

Keras 用于通过实现以下目标来减少认知负荷：

简而言之，每个 TensorFlow 用户都应当默认使用 Keras API。无论您是工程师、研究员还是 ML 从业者，都应该从 Keras 开始。

有一些用例（例如，在 TensorFlow 上构建工具或开发您自己的高性能平台）需要低级 TensorFlow Core API。但是，如果您的用例不属于 Core API 应用之一，您应该更愿意使用 Keras。

Keras 的核心数据结构是层和模型。层是简单的输入/输出转换，模型是层的有向无环图 (DAG)。

tf.keras.layers.Layer 类是 Keras 中的基本抽象。Layer 封装了状态（权重）和一些计算（在 tf.keras.layers.Layer.call 方法中定义）。

由层创建的权重可以是可训练的，也可以是不可训练的。层支持以递归方式组合：如果将层实例分配为另一个层的特性，则外层将开始跟踪内层创建的权重。

您也可以使用层来处理数据预处理任务，如归一化和文本向量化。预处理层可以在训练期间或之后直接包含到模型中，这会使模型便于移植。

模型是将层分组在一起并且可以在数据上进行训练的对象。

最简单的模型类型是Sequential 模型，它是层的线性堆叠。对于更复杂的架构，可以使用 Keras 函数式 API（允许构建任意层的计算图），也可以使用子类化从头开始编写模型。

tf.keras.Model 类具有内置的训练和评估方法：

您可以利用这些方法访问以下内置训练功能：

回调。您可以利用内置回调实现提前停止、模型检查点和 TensorBoard 监控。您还可以实现自定义回调。
分布式训练。您可以将训练轻松扩展到多个 GPU、TPU 或设备。
步熔合。使用 tf.keras.Model.compile 中的 steps_per_execution 参数，您可以在单次 tf.function 调用中处理多个批次，从而显著提高 TPU 上的设备利用率。

有关如何使用 fit 的详细概述，请参阅训练和评估指南。要了解如何自定义内置训练和评估循环，请参阅自定义 fit() 的功能。

Keras 提供了许多其他用于深度学习的 API 和工具，包括以下各项：

有关可用 API 的完整列表，请参阅 Keras API 参考。要了解有关其他 Keras 项目和计划的更多信息，请参阅 Keras 生态系统。

要开始将 Keras 与 TensorFlow 结合使用，请查看以下主题：

要详细了解 Keras，请参阅 keras.io 上的以下主题：