Keras是一个开源库，为人工神经网络提供Python接口。它旨在实现对深度神经网络的快速实验，注重用户友好性、模块化和可扩展性。该库最初于2015年作为独立软件发布，后来集成到TensorFlow库中，并最终扩展以支持其他后端。Keras 3是一次全面重写，作为一种低级跨框架语言，用于开发自定义组件（如层、模型或指标），这些组件可以在JAX、TensorFlow或PyTorch的原生工作流中使用同一代码库。截至TensorFlow 2.16，Keras 3是默认版本，但Keras 2仍可用于遗留用途。
历史
“Keras”这一名称源自古希腊语单词κέρας（Keras），意为“角”。该库是作为ONEIROS（开放式神经电子智能机器人操作系统）项目研究工作的组成部分而开发的。其主要作者和维护者是François Chollet，他一直是谷歌工程师，直到2024年离开该公司。Chollet也是Xception深度神经网络模型的作者。直到2.3版本，Keras支持多个后端，包括TensorFlow、Microsoft Cognitive Toolkit、Theano和PlaidML。从2.4版本到3.0版本，仅支持TensorFlow。从3.0版本及其预览版Keras Core开始，该库再次成为多后端，支持TensorFlow、JAX和PyTorch，并额外支持OpenVINO。
特性
Keras包含许多常用神经网络构建块的实现，如层、目标函数、激活函数、优化器，以及用于处理图像和文本数据的工具。这些简化了深度神经网络的编程。代码托管在GitHub上，社区支持论坛包括GitHub问题页面。除了标准神经网络，Keras还支持卷积和循环神经网络。它包含常见的实用层，如dropout、批归一化和池化。该库允许用户在智能手机（iOS和Android）、网页或Java虚拟机（JVM）上生成深度模型。它还支持在图形处理单元（GPU）和张量处理单元（TPU）集群上进行深度学习模型的分布式训练。
采用与影响
Keras成为Deep learning社区中广泛采用的高级API，特别是在其集成到TensorFlow作为模型构建的主要接口之后。它强调简单和快速原型设计，使其成为Machine learning和Artificial intelligence领域从业者的常见入门点。该库的设计影响了后续框架，并促进了Neural network开发的更广泛可及性。通过在3.0版本中支持多个后端，Keras旨在跨不同计算生态系统提供统一接口，包括那些在研究和生产环境中使用的生态系统。
技术演进
向Keras 3的过渡标志着一次重大的架构转变，使用户能够编写可在JAX、TensorFlow或PyTorch中无需修改即可原生运行的自定义层、模型或指标。这种跨框架能力解决了深度学习工具领域中的碎片化问题。该库还集成了Data Augmentation技术和其他实用工具，以支持多样化的工作流。早期版本Keras 2仍可运行于依赖其特定行为的项目，确保现有代码库的向后兼容性。