Keras

Keras 是一个面向机器学习开发者的深度学习 API，重点放在调试速度、代码简洁、可维护性和部署能力上。官网通过 API 文档、开发者指南和代码示例，展示了从构建基础模型到训练评估、扩展自定义层，以及使用预训练生成模型的完整路径。Keras 3 还提供 KerasHub，将流行模型架构与 Kaggle Models 上的预训练检查点配套使用，并支持 TensorFlow、JAX 和 PyTorch 后端。\n\n### 核心功能\n\n#### 用 Functional API 构建模型\nKeras 可以通过函数式建模方式，从输入张量开始连接卷积层、池化层、激活函数、全局池化层和全连接层，最后创建 keras.Model。官网示例展示了一个名为 mini_resnet 的图像模型，并使用残差连接组合中间结果。模型结构还可以通过 keras.utils.plot_model 输出为图片，便于查看网络组成。\n\n#### 编译、训练与评估\n模型可以使用 model.compile 配置优化器、损失函数和评估指标，再通过 model.fit 传入训练数据、批大小、训练轮数和验证数据。开发者指南专门介绍了使用内置方法进行训练与评估的方式，训练过程可以返回 history，用于保存训练过程中的结果。\n\n#### 自定义层与模型\n对于需要改变模型结构的场景，Keras 支持通过子类化创建新的层和模型。官网示例定义了 MLPBlock，在初始化方法中组合多个全连接层，并在 call 方法中定义输入经过各层和 ReLU 激活函数的计算过程。这种方式适合需要自行组织层级逻辑的模型实现。\n\n#### KerasHub 预训练模型\nKerasHub 提供 Keras 3 版本的流行模型架构，并配套来自 Kaggle Models 的预训练检查点。官网列出了 Gemma、Llama、Stable Diffusion 和 Mistral 等模型，覆盖语言生成和图像生成等用途。模型既可以用于训练，也可以用于推理，并可运行在 TensorFlow、JAX 或 PyTorch 后端。\n\n#### 文本生成与图像生成\nKerasHub 的示例展示了如何从预设加载 CausalLM，并根据提示生成文本；同一示例还使用 TextToImage 和 Stable Diffusion 预设生成图像。文本生成示例设置了数据类型和最大输出长度，图像生成示例则通过文字提示生成图像内容。\n\n#### 面向视觉、NLP 与生成式深度学习的示例\n代码示例按计算机视觉、自然语言处理和生成式深度学习组织。计算机视觉部分包含图像分类、目标检测和视频处理，自然语言处理部分涉及文本分类、机器翻译和语言建模，生成式深度学习部分包含扩散模型、GAN 和 Transformer。\n\n### 使用方式\n官网提供 API 文档、开发者指南和代码示例，并为 Keras 与 KerasHub 提供可运行的 Colab quickstart。开发者可以使用 Python 代码定义输入、层和模型，再调用编译、训练及推理接口。正文没有说明是否需要注册、是否需要自备模型 Key，也没有描述独立客户端、浏览器插件或命令行工具；KerasHub 示例通过预设名称加载模型。\n\n### 适用人群与场景\n机器学习开发者可以使用 Keras 构建和训练深度学习模型，并通过内置方法完成评估。需要定制网络结构的开发者可以通过子类化实现新的层和模型。进行计算机视觉项目的用户可参考图像分类、目标检测和视频处理示例；处理文本的用户可参考文本分类、机器翻译和语言建模示例；希望使用生成式模型的用户可以尝试语言生成和 Stable Diffusion 图像生成。\n\n### 注意事项\nKerasHub 的预训练检查点来自 Kaggle Models，官网正文说明模型支持 TensorFlow、JAX 和 PyTorch 后端。官网正文未提供价格、免费额度或注册要求等信息。