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。
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0362Hunyuan3D-Part
腾讯混元3D-Part00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++089Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选









