Keras é uma biblioteca de código aberto que fornece uma interface Python para redes neurais artificiais. Projetada para permitir experimentação rápida com redes neurais profundas, ela se concentra em ser amigável ao usuário, modular e extensível. A biblioteca foi lançada pela primeira vez como software independente em 2015, posteriormente integrada à biblioteca TensorFlow e, eventualmente, expandida para suportar backends adicionais. O Keras 3, uma reescrita completa, serve como uma linguagem de baixo nível entre frameworks para o desenvolvimento de componentes personalizados, como camadas, modelos ou métricas, que podem ser usados em fluxos de trabalho nativos em JAX, TensorFlow ou PyTorch com uma única base de código. A partir do TensorFlow 2.16, o Keras 3 é a versão padrão, embora o Keras 2 permaneça disponível para uso legado.
História
O nome 'Keras' deriva da palavra grega antiga κέρας (Keras), que significa 'chifre'. A biblioteca foi desenvolvida como parte do esforço de pesquisa do projeto ONEIROS (Sistema Operacional Robótico Inteligente Neuroeletrônico de Código Aberto). Seu principal autor e mantenedor é François Chollet, que foi engenheiro do Google até deixar a empresa em 2024. Chollet também é o autor do modelo de rede neural profunda Xception. Até a versão 2.3, o Keras suportava vários backends, incluindo TensorFlow, Microsoft Cognitive Toolkit, Theano e PlaidML. Da versão 2.4 até a versão 3.0, apenas o TensorFlow era suportado. A partir da versão 3.0, bem como sua versão de pré-visualização Keras Core, a biblioteca tornou-se novamente multi-backend, suportando TensorFlow, JAX e PyTorch, com suporte adicional para OpenVINO.
Recursos
O Keras contém inúmeras implementações de blocos de construção de redes neurais comumente usados, como camadas, objetivos, funções de ativação, otimizadores e ferramentas para trabalhar com dados de imagem e texto. Isso simplifica a programação para redes neurais profundas. O código está hospedado no GitHub, e os fóruns de suporte da comunidade incluem a página de issues do GitHub. Além de redes neurais padrão, o Keras suporta redes neurais convolucionais e recorrentes. Ele inclui camadas utilitárias comuns, como dropout, normalização em lote e pooling. A biblioteca permite que os usuários produzam modelos profundos em smartphones (iOS e Android), na web ou na Máquina Virtual Java. Ela também permite o treinamento distribuído de modelos de aprendizado profundo em clusters de unidades de processamento gráfico (GPU) e unidades de processamento tensorial (TPU).
Adoção e Impacto
O Keras tornou-se uma API de alto nível amplamente adotada na comunidade de aprendizado profundo, particularmente após sua integração ao TensorFlow como a interface principal para a construção de modelos. Sua ênfase em simplicidade e prototipagem rápida tornou-o um ponto de entrada comum para profissionais em aprendizado de máquina e inteligência artificial. O design da biblioteca influenciou frameworks subsequentes e contribuiu para a acessibilidade mais ampla do desenvolvimento de redes neurais. Ao suportar múltiplos backends na versão 3.0, o Keras visou fornecer uma interface unificada entre diferentes ecossistemas computacionais, incluindo aqueles usados em ambientes de pesquisa e produção.
Evolução Técnica
A transição para o Keras 3 marcou uma mudança arquitetural significativa, permitindo que os usuários escrevam camadas, modelos ou métricas personalizados que podem ser executados nativamente em JAX, TensorFlow ou PyTorch sem modificação. Essa capacidade entre frameworks abordou a fragmentação no cenário de ferramentas de aprendizado profundo. A biblioteca também se integrou a técnicas de aumento de dados e outros utilitários para suportar fluxos de trabalho diversos. O Keras 2, a versão anterior, permanece funcional para projetos que dependem de seu comportamento específico, garantindo compatibilidade retroativa para bases de código existentes.