Keras est une bibliothèque open-source d'apprentissage profond qui fournit une API de haut niveau, conviviale pour l'humain, pour construire et entraîner des réseaux de neurones. Créée par François Chollet et publiée pour la première fois en mars 2015, elle est devenue l'un des points d'entrée les plus utilisés dans le apprentissage profond, appréciée pour permettre aux chercheurs et aux étudiants de définir des modèles en quelques lignes de code lisibles.
Historique
Keras a commencé comme une bibliothèque indépendante capable de fonctionner sur plusieurs backends, initialement Theano puis TensorFlow et CNTK de Microsoft. Sa popularité a grandi rapidement avec la vague d'apprentissage profond post-AlexNet, et en 2017 Google l'a adoptée comme l'API officielle de haut niveau de TensorFlow, la distribuant sous la forme de tf.keras. En 2023 le projet est revenu à ses racines multi-backends avec Keras 3, qui fonctionne sur TensorFlow, PyTorch et JAX à partir d'un code source unique, un pari délibéré contre le verrouillage des frameworks à une époque où la recherche s'était consolidée autour de PyTorch.
Philosophie de conception
Chollet a décrit le principe directeur comme « apprentissage profond pour les humains » : des interfaces cohérentes et simples, des valeurs par défaut sensées, une divulgation progressive de la complexité, et des messages d'erreur clairs. Un modèle est assemblé à partir de couches composables, compilé avec une fonction de perte et un optimiseur, et entraîné avec un seul appel fit qui gère la descente de gradient, le regroupement par lots, les divisions de validation et les callbacks. Cette abstraction a fait de Keras un outil d'enseignement standard, présenté dans des cours en ligne influents par Andrew Ng et dans le manuel largement lu de Chollet, Deep Learning with Python\
Réception et influence
Keras a été loué pour la qualité de sa documentation et sa clarté pédagogique, et critiqué dans les contextes de recherche pour cacher trop de la boucle d'entraînement ; les utilisateurs avancés descendent souvent vers des API de niveau inférieur pour des architectures personnalisées. Son ergonomie orientée couches a façonné des frameworks ultérieurs et des wrappers de haut niveau à travers l'écosystème, et sa philosophie de messages d'erreur est devenue une référence dans les discussions sur l'expérience développeur pour les outils de apprentissage automatique. Bien que la recherche sur les grands modèles de langage à grande échelle soit aujourd'hui dominée par PyTorch, Keras reste largement utilisé dans l'industrie, l'éducation et le travail appliqué, et est crédité d'avoir abaissé la barrière à l'entrée pendant les années formatrices de l'apprentissage profond.