Keras3 1.4.0版本发布：全面增强张量操作与模型构建能力

Keras是一个广受欢迎的高级神经网络API，它能够运行在TensorFlow、JAX或PyTorch等后端之上。Keras3作为Keras的最新版本，提供了更加灵活和强大的深度学习模型构建能力。最新发布的1.4.0版本带来了多项重要更新和改进，特别是在张量操作和模型构建方面有显著增强。

张量操作的重大改进

全新的子集操作功能

1.4.0版本引入了op_subset()函数和x@r[...]语法，使得开发者能够使用R语言的[语义和惯用法来进行张量子集操作。这一改进让熟悉R语言的用户能够以更加自然的方式处理张量数据。

同时，新版本还实现了张量的子集赋值功能，包括op_subset(x, ...) <- value和x@r[...] <- value两种形式。这些功能大大简化了张量数据的修改操作。

索引行为的统一调整

为了与R语言的习惯保持一致，所有以op_为前缀的操作现在默认返回1-based索引。这一变化影响了多个函数的行为，包括：

• op_argmax()和op_argmin()：返回最大值和最小值的索引
• op_top_k()：返回前k个元素的索引
• op_argsort()：返回排序后的索引
• op_nonzero()：返回非零元素的索引
• 以及其他多个涉及索引返回的函数

新增张量操作函数

1.4.0版本新增了多个实用的张量操作函数：

• op_rot90()：实现张量的90度旋转
• op_rearrange()：提供Einops风格的张量重排
• op_signbit()：判断数值的符号位
• op_polar()：将笛卡尔坐标转换为极坐标
• op_image_perspective_transform()：图像透视变换
• op_image_gaussian_blur()：图像高斯模糊处理

这些新函数极大地丰富了Keras3的图像处理和数学运算能力。

模型构建与训练的增强

新增层类型

1.4.0版本引入了多种新的神经网络层，为模型构建提供了更多选择：

• layer_rms_normalization()：RMS归一化层
• layer_aug_mix()和layer_cut_mix()：数据增强层
• layer_random_invert()和layer_random_erasing()：随机图像处理层
• layer_random_gaussian_blur()和layer_random_perspective()：随机图像变换层

这些新层特别适合计算机视觉任务，能够有效提升模型的泛化能力。

现有层的功能增强

layer_resizing()层新增了antialias参数，可以在调整图像大小时启用抗锯齿功能，提高图像质量。layer$pop_layer()方法新增了rebuild参数，并会返回被移除的层，使得模型结构调整更加灵活。

输入与模型构建改进

keras_input()、keras_model_sequential()和op_convert_to_tensor()函数现在都支持ragged参数，可以更好地处理不规则张量数据。新增的rematerialized_call()方法为层对象提供了更多控制权。

实用工具与辅助功能

预测与预处理简化

application_decode_predictions()函数现在默认返回处理后的数据框，如果缺少预测结果则返回解码器函数。application_preprocess_inputs()函数在缺少输入时会返回预处理器函数。这些改进使得模型预测流程更加简洁。

张量转换与索引

新增的op_convert_to_array()函数可以方便地将张量转换为R数组。同时引入了x@py[...]访问器，支持Python风格的0-based索引，为不同背景的开发者提供了更多选择。

配置管理

Keras3现在会自动将KERAS_HOME设置为tools::R_user_dir("keras3", "cache")，前提是~/.keras不存在且KERAS_HOME未设置。这一改进简化了配置管理，提高了用户体验。

性能优化与问题修复

1.4.0版本修复了多个已知问题，包括：

• op_shape()函数在某些情况下返回TensorFlow TensorShape的问题
• metric_iou()、op_top_k()和op_eye()函数处理R原子双精度数时的问题

这些修复提高了框架的稳定性和可靠性。

总结

Keras3 1.4.0版本带来了大量实用功能和改进，特别是在张量操作、模型构建和图像处理方面有显著增强。新引入的子集操作、索引行为调整以及多种新层类型，使得深度学习模型的开发和实验更加便捷高效。这些改进不仅提升了框架的功能性，也优化了用户体验，使Keras3成为R语言生态中更加强大的深度学习工具。