Keras ist eine Open-Source-Bibliothek, die eine Python-Schnittstelle für künstliche neuronale Netze bereitstellt. Sie wurde entwickelt, um schnelle Experimente mit tiefen neuronalen Netzen zu ermöglichen, und legt den Schwerpunkt auf Benutzerfreundlichkeit, Modularität und Erweiterbarkeit. Die Bibliothek wurde erstmals 2015 als eigenständige Software veröffentlicht, später in die TensorFlow-Bibliothek integriert und schließlich um die Unterstützung zusätzlicher Backends erweitert. Keras 3, eine vollständige Neufassung, dient als plattformübergreifende Low-Level-Sprache zur Entwicklung benutzerdefinierter Komponenten wie Schichten, Modelle oder Metriken, die in nativen Workflows in JAX, TensorFlow oder PyTorch mit einer einzigen Codebasis verwendet werden können. Ab TensorFlow 2.16 ist Keras 3 die Standardversion, während Keras 2 weiterhin für die Nutzung mit älteren Systemen verfügbar bleibt.
Geschichte
Der Name 'Keras' leitet sich vom altgriechischen Wort κέρας (Keras) ab, was 'Horn' bedeutet. Die Bibliothek wurde im Rahmen der Forschungsarbeit des Projekts ONEIROS (Open-ended Neuro-Electronic Intelligent Robot Operating System) entwickelt. Ihr Hauptautor und Betreuer ist François Chollet, der bis zu seinem Ausscheiden aus dem Unternehmen im Jahr 2024 als Ingenieur bei Google tätig war. Chollet ist auch der Autor des Deep-Learning-Modells Xception. Bis Version 2.3 unterstützte Keras mehrere Backends, darunter TensorFlow, Microsoft Cognitive Toolkit, Theano und PlaidML. Von Version 2.4 bis Version 3.0 wurde nur TensorFlow unterstützt. Ab Version 3.0, sowie in der Vorschauversion Keras Core, wurde die Bibliothek wieder multi-backend-fähig und unterstützt TensorFlow, JAX und PyTorch, mit zusätzlicher Unterstützung für OpenVINO.
Funktionen
Keras enthält zahlreiche Implementierungen häufig verwendeter Bausteine für neuronale Netze, wie Schichten, Aktivierungsfunktionen, Optimierer und Werkzeuge für die Arbeit mit Bild- und Textdaten. Diese vereinfachen die Programmierung tiefer neuronaler Netze. Der Quellcode wird auf GitHub gehostet, und die Community-Support-Foren umfassen die GitHub-Issues-Seite. Neben standardmäßigen neuronalen Netzen unterstützt Keras auch faltende und rekurrente neuronale Netze. Es enthält gängige Utility-Schichten wie Dropout, Batch-Normalisierung und Pooling. Die Bibliothek ermöglicht es Benutzern, tiefe Modelle auf Smartphones (iOS und Android), im Web oder auf der Java Virtual Machine zu erstellen. Darüber hinaus ermöglicht sie das verteilte Training von Deep-Learning-Modellen auf Clustern von Grafikprozessoren (GPUs) und Tensor Processing Units (TPUs).
Verbreitung und Einfluss
Keras wurde zu einer weit verbreiteten High-Level-API in der Deep learning-Community, insbesondere nach seiner Integration in TensorFlow als primäre Schnittstelle für die Modellerstellung. Sein Fokus auf Einfachheit und schnelles Prototyping machte es zu einem häufigen Einstiegspunkt für Praktiker im Bereich Machine learning und Artificial intelligence. Das Design der Bibliothek beeinflusste nachfolgende Frameworks und trug zur breiteren Zugänglichkeit der Neural network-Entwicklung bei. Durch die Unterstützung mehrerer Backends in Version 3.0 zielte Keras darauf ab, eine einheitliche Schnittstelle über verschiedene Rechenumgebungen hinweg bereitzustellen, einschließlich solcher, die in Forschung und Produktion eingesetzt werden.
Technische Weiterentwicklung
Der Übergang zu Keras 3 markierte einen bedeutenden architektonischen Wandel, der es Benutzern ermöglicht, benutzerdefinierte Schichten, Modelle oder Metriken zu schreiben, die ohne Änderungen nativ in JAX, TensorFlow oder PyTorch ausgeführt werden können. Diese plattformübergreifende Fähigkeit adressierte die Fragmentierung in der Tooling-Landschaft des Deep Learning. Die Bibliothek integrierte außerdem Data Augmentation-Techniken und andere Hilfsprogramme, um vielfältige Workflows zu unterstützen. Keras 2, die frühere Version, bleibt für Projekte funktional, die auf ihrem spezifischen Verhalten basieren, und gewährleistet die Abwärtskompatibilität für bestehende Codebasen.