Keras 3: 인간을 위한 심층 학습

Keras 3는 JAX, TensorFlow, PyTorch 및 OpenVINO(추론 전용)를 지원하는 멀티 백엔드 심층 학습 프레임워크입니다.
컴퓨터 비전, 자연어 처리 (NLP), 오디오 처리, 시계열 예측, 추천 시스템 등에 대한 모델을 손쉽게 구축하고 훈련할 수 있습니다.

• 가속화된 모델 개발: Keras의 높은 수준의 사용자 경험(UX)과 PyTorch 또는 JAX eager execution 같은 디버깅하기 쉬운 런타임 덕분에 심층 학습 솔루션을 더 빠르게 출시할 수 있습니다.
• 최첨단 성능: 모델 아키텍처에 가장 빠른 백엔드(종종 JAX!)를 선택함으로써, 다른 프레임워크 대비 20%에서 350%까지의 속도 향상을 활용할 수 있습니다. 벤치마크는 여기.
• 데이터센터 규모 훈련: 노트북부터 대규모 GPU 또는 TPU 클러스터까지 자신 있게 확장할 수 있습니다.

신생 스타트업부터 글로벌 기업에 이르기까지 거의 3백만 명의 개발자들이 Keras 3의 강력한 힘을 활용하는 데 동참하고 있습니다.

설치

pip으로 설치

Keras 3는 PyPI에서 keras로 사용할 수 있습니다. 참고로, Keras 2는 여전히 tf-keras 패키지로 이용 가능합니다.

1. keras 설치:

pip install keras --upgrade

2. 백엔드 패키지 설치.

keras를 사용하려면 선택한 백엔드인 tensorflow, jax, 또는 torch도 함께 설치해야 합니다. 추가적으로, OpenVINO 백엔드는 모델 추론 지원만 가능합니다.

로컬 설치

최소 설치

Keras 3는 Linux 및 macOS 시스템과 호환됩니다. Windows 사용자의 경우 Keras를 실행하기 위해 WSL2 사용을 권장합니다.
로컬 개발 버전을 설치하려면:

1. 의존성 설치:

pip install -r requirements.txt

2. 루트 디렉토리에서 설치 명령어 실행.

python pip_build.py --install

3. keras_export 공개 API를 업데이트하는 PR을 생성할 때 API 생성 스크립트 실행:

./shell/api_gen.sh

백엔드 호환성 표

다음 표는 Keras의 최신 안정 버전(v3.x)에서 각 백엔드별로 최소 지원되는 버전을 나열합니다:

GPU 지원 추가

requirements.txt 파일은 TensorFlow, JAX, PyTorch의 CPU 전용 버전을 설치합니다. GPU를 지원하려면, TensorFlow, JAX, PyTorch에 대해 별도의 requirements-{backend}-cuda.txt 파일을 제공합니다. 이 파일들은 pip을 통해 모든 CUDA 종속성을 설치하며 NVIDIA 드라이버가 사전에 설치되어 있음을 가정합니다. CUDA 버전 불일치를 피하기 위해 각 백엔드별로 깨끗한 Python 환경을 사용하는 것을 권장합니다. 예를 들어, conda를 사용하여 JAX GPU 환경을 설정하는 방법은 다음과 같습니다:

conda create -y -n keras-jax python=3.10
conda activate keras-jax
pip install -r requirements-jax-cuda.txt
...

백엔드 구성하기

환경 변수 KERAS_BACKEND를 내보내거나, ~/.keras/keras.json의 로컬 설정 파일을 편집하여 백엔드를 구성할 수 있습니다. 사용 가능한 백엔드 옵션은 다음과 같습니다: `

만약 사용자 정의 컴포넌트(예: 사용자 정의 레이어 또는 사용자 정의 train_step())를 포함한다면, 몇 분 만에 백엔드에 구애받지 않는 구현으로 변환하는 것이 보통 가능합니다.

게다가 Keras 모델은 사용 중인 백엔드와 관계없이 모든 형식의 데이터셋을 소비할 수 있습니다. 기존의 tf.data.Dataset 파이프라인이나 PyTorch DataLoaders로 모델을 훈련할 수 있습니다.

Keras 3를 사용하는 이유?

• 높은 수준의 Keras 워크플로우를 모든 프레임워크 위에서 실행하여, 각 프레임워크의 장점(예: JAX의 확장성 및 성능 또는 TensorFlow의 프로덕션 생태계 옵션)을 필요에 따라 활용할 수 있습니다.
• 사용자 정의 컴포넌트(예: 레이어, 모델, 메트릭)를 작성하여 모든 프레임워크의 저수준 워크플로우에서 사용할 수 있습니다.
  • Keras 모델을 가져와 네이티브 TF, JAX 또는 PyTorch로 처음부터 작성한 훈련 루프에서 훈련할 수 있습니다.
  • Keras 모델을 가져와 PyTorch 네이티브 Module의 일부로 사용하거나 JAX 네이티브 모델 함수의 일부로 사용할 수 있습니다.
• 프레임워크 종속성을 피하여 머신러닝 코드를 미래 지향적으로 만듭니다.
• PyTorch 사용자로서: 마침내 Keras의 강력한 기능과 사용 편의성에 접근할 수 있습니다!
• JAX 사용자로서: 완벽하게 갖추어져 있고, 검증되었으며, 잘 문서화된 모델링 및 훈련 라이브러리에 접근할 수 있습니다.

Keras 3 출시 발표에서 더 읽어보세요.