keras hub

Kerashub: Modèles de pré-trame multi-trame

Important

? Kerasnlp est maintenant Kerashub! ? Lisez l'annonce.

Kerashub est une bibliothèque de modélisation pré-entraînée qui vise à être simple, flexible et rapide. La bibliothèque fournit des implémentations Keras 3 d'architectures de modèles populaires, associées à une collection de points de contrôle pré-entraînés disponibles sur les modèles Kaggle. Les modèles peuvent être utilisés avec des données de texte, d'image et d'audio pour la génération, la classification et de nombreuses autres tâches intégrées.

Kerashub est une extension de l'API de base Keras; Les composants Kerashub sont fournis comme implémentations Layer et Model . Si vous connaissez Keras, félicitations! Vous comprenez déjà la plupart de Kerashub.

Tous les modèles prennent en charge Jax, TensorFlow et Pytorch à partir d'une définition de modèle unique et peuvent être affinés sur les GPU et les TPU hors de la boîte. Les modèles peuvent être formés sur des accélérateurs individuels avec des techniques de PEFT intégrées, ou des réglages affinés à grande échelle avec un modèle parallèle de modèle et de données. Voir notre guide de démarrage pour commencer à apprendre notre API.

Liens rapides

Pour tout le monde

• Page d'accueil
• Commencer
• Guides
• Documentation API
• Modèles pré-formés

Pour les contributeurs

• Appel aux contributions
• Feuille de route
• Guide de contribution
• Guide de style
• Guide de conception de l'API

Start

Choisissez un backend:

 import os
os . environ [ "KERAS_BACKEND" ] = "jax"  # Or "tensorflow" or "torch"!

Importer Kerashub et autres bibliothèques:

 import keras
import keras_hub
import numpy as np
import tensorflow_datasets as tfds

Chargez un modèle Resnet et utilisez-le pour prédire une étiquette pour une image:

 classifier = keras_hub . models . ImageClassifier . from_preset (
    "resnet_50_imagenet" ,
    activation = "softmax" ,
)
url = "https://upload.wikimedia.org/wikipedia/commons/a/aa/California_quail.jpg"
path = keras . utils . get_file ( origin = url )
image = keras . utils . load_img ( path )
preds = classifier . predict ( np . array ([ image ]))
print ( keras_hub . utils . decode_imagenet_predictions ( preds ))

Chargez un modèle Bert et affinez-le sur les critiques de films IMDB:

 classifier = keras_hub . models . BertClassifier . from_preset (
    "bert_base_en_uncased" ,
    activation = "softmax" ,
    num_classes = 2 ,
)
imdb_train , imdb_test = tfds . load (
    "imdb_reviews" ,
    split = [ "train" , "test" ],
    as_supervised = True ,
    batch_size = 16 ,
)
classifier . fit ( imdb_train , validation_data = imdb_test )
preds = classifier . predict ([ "What an amazing movie!" , "A total waste of time." ])
print ( preds )

Installation

Pour installer la dernière version Kerashub avec Keras 3, exécutez simplement:

 pip install --upgrade keras-hub

Pour installer les dernières modifications nocturnes pour Kerashub et Keras, vous pouvez utiliser notre forfait nocturne.

 pip install --upgrade keras-hub-nightly

Actuellement, l'installation de Kerashub attirera toujours TensorFlow pour l'utilisation de l'API tf.data pour le prétraitement. Lors du prétraitement avec tf.data , la formation peut toujours se produire sur n'importe quel backend.

Visitez la page de démarrage des keras Core pour plus d'informations sur l'installation de Keras 3, la prise en charge de l'accélérateur et la compatibilité avec différents cadres.

Configuration de votre backend

Si vous avez installé Keras 3 dans votre environnement (voir l'installation ci-dessus), vous pouvez utiliser Kerashub avec l'un des Jax, TensorFlow et Pytorch. Pour ce faire, définissez la variable d'environnement KERAS_BACKEND . Par exemple:

 export KERAS_BACKEND=jax

Ou à Colab, avec:

 import os
os . environ [ "KERAS_BACKEND" ] = "jax"

import keras_hub 

Important

Assurez-vous de définir le KERAS_BACKEND avant d'importer des bibliothèques Keras; Il sera utilisé pour configurer des keras lors de sa première importation.

Compatibilité

Nous suivons les versioning sémantique et prévoyons de fournir des garanties de compatibilité en arrière à la fois pour le code et les modèles enregistrés construits avec nos composants. Bien que nous continuons avec le développement 0.yz Yz pré-libération, nous pouvons rompre la compatibilité à tout moment et les API ne devraient pas être considérées comme stables.

Clause de non-responsabilité

Kerashub donne accès aux modèles pré-formés via l'API keras_hub.models . Ces modèles pré-formés sont fournis sur une base «tel quel», sans garanties ni conditions d'aucune sorte. Les modèles sous-jacents suivants sont fournis par des tiers et sous réserve de licences séparées: Bart, Bloom, Deberta, Distilbert, GPT-2, Llama, Mistral, Opt, Roberta, Whisper et XLM-Roberta.

Citant Kerashub

Si Kerashub aide vos recherches, nous apprécions vos citations. Voici l'entrée Bibtex:

 @misc { kerashub2024 ,
  title = { KerasHub } ,
  author = { Watson, Matthew, and  Chollet, Franc{c}ois and Sreepathihalli,
  Divyashree, and Saadat, Samaneh and Sampath, Ramesh, and Rasskin, Gabriel and
  and Zhu, Scott and Singh, Varun and Wood, Luke and Tan, Zhenyu and Stenbit,
  Ian and Qian, Chen, and Bischof, Jonathan and others } ,
  year = { 2024 } ,
  howpublished = { url{https://github.com/keras-team/keras-hub} } ,
}

Remerciements

Merci à tous nos merveilleux contributeurs!