Keras es una biblioteca de aprendizaje profundo de código abierto que proporciona una API de alto nivel y amigable para humanos para construir y entrenar redes neuronales. Creada por Francois Chollet y lanzada por primera vez en marzo de 2015, se convirtió en uno de los puntos de entrada más utilizados al aprendizaje profundo, valorada por permitir a investigadores y estudiantes definir modelos en unas pocas líneas de código legible.
Historia
Keras comenzó como una biblioteca independiente capaz de ejecutarse sobre múltiples backends, inicialmente Theano y más tarde TensorFlow y CNTK de Microsoft. Su popularidad creció rápidamente junto con la ola de aprendizaje profundo posterior a AlexNet, y en 2017 Google la adoptó como la API de alto nivel oficial de TensorFlow, distribuyéndola como tf.keras. En 2023, el proyecto regresó a sus raíces multi-backend con Keras 3, que se ejecuta en TensorFlow, PyTorch y JAX desde un único código base, una apuesta deliberada contra el bloqueo de frameworks en un momento en que la investigación se había consolidado en torno a PyTorch.
Filosofía de diseño
Chollet describió el principio rector como "aprendizaje profundo para humanos": interfaces consistentes y simples, valores predeterminados sensatos, divulgación progresiva de la complejidad y mensajes de error claros. Un modelo se ensambla a partir de capas componibles, se compila con una función de pérdida y un optimizador, y se entrena con una única llamada fit que maneja el descenso de gradiente, el procesamiento por lotes, las divisiones de validación y los callbacks. Esta abstracción convirtió a Keras en una herramienta de enseñanza estándar, destacada en cursos en línea influyentes de Andrew Ng y en el libro de texto ampliamente leído de Chollet, Deep Learning with Python.
Recepción e influencia
Keras ha sido elogiada por la calidad de su documentación y su claridad pedagógica, y criticada en entornos de investigación por ocultar demasiado del bucle de entrenamiento; los usuarios avanzados a menudo recurren a APIs de nivel inferior para arquitecturas personalizadas. Su ergonomía orientada a capas influyó en frameworks posteriores y envoltorios de alto nivel en todo el ecosistema, y su filosofía de mensajes de error se convirtió en un punto de referencia en discusiones sobre la experiencia del desarrollador en herramientas de aprendizaje automático. Si bien la investigación a gran escala de modelos de lenguaje grande hoy está dominada por PyTorch, Keras sigue siendo ampliamente utilizada en la industria, la educación y el trabajo aplicado, y se le atribuye haber reducido la barrera de entrada durante los años formativos del aprendizaje profundo.