Keras es una biblioteca de código abierto que proporciona una interfaz de Python para redes neuronales artificiales. Diseñada para permitir una experimentación rápida con redes neuronales profundas, se centra en ser fácil de usar, modular y extensible. La biblioteca se lanzó por primera vez como software independiente en 2015, luego se integró en la biblioteca TensorFlow y, finalmente, se expandió para admitir backends adicionales. Keras 3, una reescritura completa, sirve como un lenguaje de bajo nivel entre frameworks para desarrollar componentes personalizados, como capas, modelos o métricas, que se pueden usar en flujos de trabajo nativos en JAX, TensorFlow o PyTorch con una sola base de código. A partir de TensorFlow 2.16, Keras 3 es la versión predeterminada, aunque Keras 2 sigue disponible para uso heredado.
Historia
El nombre 'Keras' deriva de la palabra griega antigua κέρας (Keras), que significa 'cuerno'. La biblioteca se desarrolló como parte del esfuerzo de investigación del proyecto ONEIROS (Sistema Operativo de Robot Inteligente Neuroelectrónico de código abierto). Su autor y mantenedor principal es François Chollet, quien fue ingeniero de Google hasta que dejó la empresa en 2024. Chollet también es el autor del modelo de red neuronal profunda Xception. Hasta la versión 2.3, Keras admitía múltiples backends, incluidos TensorFlow, Microsoft Cognitive Toolkit, Theano y PlaidML. Desde la versión 2.4 hasta la versión 3.0, solo se admitía TensorFlow. A partir de la versión 3.0, así como su versión preliminar Keras Core, la biblioteca volvió a ser multi-backend, admitiendo TensorFlow, JAX y PyTorch, con soporte adicional para OpenVINO.
Características
Keras contiene numerosas implementaciones de bloques de construcción de redes neuronales de uso común, como capas, objetivos, funciones de activación, optimizadores y herramientas para trabajar con datos de imagen y texto. Estos simplifican la programación de redes neuronales profundas. El código está alojado en GitHub, y los foros de soporte comunitario incluyen la página de problemas de GitHub. Además de las redes neuronales estándar, Keras admite redes neuronales convolucionales y recurrentes. Incluye capas de utilidad comunes como dropout, normalización por lotes y agrupación. La biblioteca permite a los usuarios producir modelos profundos en teléfonos inteligentes (iOS y Android), en la web o en la Máquina Virtual de Java. También permite el entrenamiento distribuido de modelos de aprendizaje profundo en clústeres de unidades de procesamiento gráfico (GPU) y unidades de procesamiento tensorial (TPU).
Adopción e impacto
Keras se convirtió en una API de alto nivel ampliamente adoptada dentro de la comunidad de aprendizaje profundo, particularmente después de su integración en TensorFlow como la interfaz principal para la construcción de modelos. Su énfasis en la simplicidad y la creación rápida de prototipos lo convirtió en un punto de entrada común para profesionales en aprendizaje automático y inteligencia artificial. El diseño de la biblioteca influyó en frameworks posteriores y contribuyó a una mayor accesibilidad del desarrollo de redes neuronales. Al admitir múltiples backends en la versión 3.0, Keras buscó proporcionar una interfaz unificada en diferentes ecosistemas computacionales, incluidos los utilizados en entornos de investigación y producción.
Evolución técnica
La transición a Keras 3 marcó un cambio arquitectónico significativo, permitiendo a los usuarios escribir capas, modelos o métricas personalizados que pueden ejecutarse de forma nativa en JAX, TensorFlow o PyTorch sin modificación. Esta capacidad entre frameworks abordó la fragmentación en el panorama de herramientas de aprendizaje profundo. La biblioteca también se integró con técnicas de aumento de datos y otras utilidades para admitir diversos flujos de trabajo. Keras 2, la versión anterior, sigue siendo funcional para proyectos que dependen de su comportamiento específico, garantizando la compatibilidad hacia atrás para bases de código existentes.