Keras 3.10.0版本发布：新增权重分片与多项功能增强

Keras作为深度学习领域广受欢迎的高级神经网络API，在最新发布的3.10.0版本中带来了多项重要更新。本次更新不仅解决了大规模模型存储的痛点问题，还引入了新的优化器、损失函数、预处理层以及多项运算支持，进一步提升了框架的实用性和灵活性。

核心特性解析

权重分片存储功能

针对大型模型存储这一常见痛点，3.10.0版本新增了权重分片支持。通过model.save()方法的max_shard_size参数，开发者可以指定权重文件的最大分片大小，系统会自动将模型权重分割为不超过该大小的多个文件块。这一特性特别适合存储参数规模庞大的模型，有效解决了单一大文件带来的存储和传输问题。

加载分片存储的模型同样简单，只需使用常规的load_model()函数即可自动重组所有分片。这一改进使得Keras在处理超大规模模型时更加游刃有余。

新增Muon优化器

本次更新引入了全新的Muon优化器，为模型训练提供了更多选择。Muon优化器在特定任务上可能展现出优于传统优化器的性能表现，开发者可以根据具体场景进行测试和选用。

图像处理增强

新增的RandomElasticTransform预处理层为图像数据增强提供了新工具。该层能够对输入图像施加随机弹性变换，模拟真实世界中的形变效果，有助于提升模型的泛化能力。同时新增的elastic_transform操作也为开发者提供了更底层的弹性变换控制能力。

损失函数与激活函数扩展

3.10.0版本丰富了损失函数体系，新增了CategoricalGeneralizedCrossEntropy及其函数式版本。这一损失函数为分类任务提供了更多选择，特别适合需要特殊处理类别不平衡的场景。

同时，SparseCategoricalCrossentropy损失函数新增了axis参数，提供了更灵活的计算维度控制。新增的sparse_sigmoid激活函数则为特定网络结构设计提供了更多可能。

LoRA技术增强

低秩适应(LoRA)技术在3.10.0版本中得到了增强，所有支持LoRA的层都新增了lora_alpha参数。该参数用于缩放前向传播过程中的低秩适应增量，为模型微调提供了更精细的控制手段。

运算能力扩展

本次更新增加了多项数学运算支持，包括：

• 复数处理：angle、view_as_complex、view_as_real
• 窗函数：bartlett、blackman、hamming

这些新运算为信号处理、频域分析等专业领域提供了更好的支持。

后端优化

PyTorch后端改进

新增了cuDNN对LSTM的支持，显著提升了在PyTorch后端上运行LSTM模型的效率。

TensorFlow后端增强

• 支持tf.RaggedTensor作为Embedding层的输入
• 新增变量级别的synchronization参数支持

OpenVINO推理后端

OpenVINO推理后端新增了对50多个Keras运算的支持，大大扩展了在该后端上可运行的模型范围。

总结

Keras 3.10.0版本通过权重分片存储、新增优化器与损失函数、扩展运算能力等多方面改进，进一步巩固了其作为深度学习首选框架的地位。特别是权重分片功能的加入，解决了大型模型存储的实际问题；而各项新特性和后端优化则为不同应用场景提供了更多可能。这些更新使得Keras在保持易用性的同时，能够更好地满足专业开发者和研究人员的需求。