Keras3 1.3.0版本发布：深度学习框架的重要更新

Keras是一个广受欢迎的高级神经网络API，它能够以TensorFlow、JAX或PyTorch作为后端运行。Keras3是Keras的最新版本，提供了更灵活的跨后端支持和更强大的功能。本次发布的1.3.0版本带来了多项重要改进和新特性，显著提升了用户体验和框架性能。

Python依赖管理优化

Keras3 1.3.0版本在Python依赖管理方面做出了重大改进。现在，Keras使用reticulate::py_require()来自动解析Python依赖项，这意味着用户不再需要手动调用install_keras()函数来安装依赖（虽然该函数仍然支持使用）。这一改变大大简化了Keras的安装和配置过程，使得新用户能够更轻松地开始使用Keras。

此外，use_backend()函数新增了gpu参数，允许用户指定是否需要解析支持GPU的依赖项。这为需要在GPU上运行深度学习模型的用户提供了更便捷的配置方式。

训练过程显示优化

在模型训练、评估和预测过程中，Keras会显示进度条以帮助用户了解当前进度。1.3.0版本中，这些进度条在testthat测试环境下默认不再显示，这使得测试输出更加简洁清晰，便于开发者专注于测试结果而非进度信息。

张量运算增强

本次更新对张量运算进行了增强，特别是矩阵乘法操作。%*%运算符现在会分派到op_matmul()函数来处理TensorFlow张量，相比直接使用tf$matmul()，op_matmul()具有更宽松的形状约束条件，这使得在进行矩阵运算时更加灵活，减少了因形状不匹配导致的错误。

指标和损失函数改进

修复了一个重要问题：当使用未命名参数调用Metric和Loss对象时，之前会报错。1.3.0版本解决了这一问题，使得指标和损失函数的使用更加健壮和灵活。

兼容Keras v3.8.0的新特性

Keras3 1.3.0版本与Keras v3.8.0保持兼容，并引入了多项新功能：

新增激活函数

• activation_sparse_plus()：稀疏加激活函数
• activation_sparsemax()：稀疏最大激活函数
• activation_threshold()：阈值激活函数

这些新的激活函数为模型设计提供了更多选择，特别是在需要稀疏输出的场景中。

新增预处理层

• layer_equalization()：直方图均衡化层
• layer_mix_up()：MixUp数据增强层
• layer_rand_augment()：随机增强层
• 多种颜色相关预处理层：如layer_random_color_degeneration()、layer_random_color_jitter()等

这些预处理层大大简化了图像数据增强的流程，使得构建复杂的图像处理管道更加容易。

新增运算操作

• op_diagflat()：创建对角矩阵
• op_sparse_plus()：稀疏加运算
• op_sparsemax()：稀疏最大运算
• op_unravel_index()：将平面索引转换为坐标索引

这些新的运算操作为张量处理提供了更多工具，特别是在处理稀疏数据和索引转换时。

兼容Keras v3.7.0的特性

Keras3 1.3.0还包含了Keras v3.7.0引入的众多功能：

新增激活函数

包括activation_celu()、activation_glu()、activation_hard_shrink()等，丰富了非线性变换的选择。

Flash Attention支持

新增了config_disable_flash_attention()、config_enable_flash_attention()等函数，允许用户控制是否使用Flash Attention机制，这在处理大规模注意力模型时可以显著提升性能。

新的损失函数和指标

• loss_circle()：圆形损失函数
• metric_concordance_correlation()：一致性相关系数指标
• metric_pearson_correlation()：皮尔逊相关系数指标

这些新的损失函数和评估指标为特定任务提供了更专业的工具。

兼容Keras v3.6.0的特性

异步日志记录

在fit()、evaluate()和predict()方法中，日志记录现在是异步进行的。这使得在专用硬件（如TPU）上运行时能够实现100%紧凑的训练步骤堆叠，从而提升训练效率。

新的位运算和数学运算

新增了多种位运算函数如op_bitwise_and()、op_bitwise_or()等，以及数学运算如op_logdet()、op_trunc()等，为底层数值计算提供了更多支持。

新的预处理层

layer_auto_contrast()和layer_solarization()等新的图像预处理层进一步丰富了数据增强的选择。

总结

Keras3 1.3.0版本带来了众多改进和新特性，从依赖管理的简化到新功能的添加，再到性能的优化，各个方面都有显著提升。特别是对Flash Attention的支持、异步日志记录以及众多新的层和运算操作，使得Keras3在深度学习领域的应用更加广泛和高效。无论是初学者还是资深开发者，都能从这个版本中获得更好的使用体验和更强大的功能支持。