keras hub

Kerashub: Model Pretrain Multi-Framework

Penting

? Kerasnlp sekarang adalah Kerashub! ? Baca pengumumannya.

Kerashub adalah perpustakaan pemodelan pretrained yang bertujuan untuk menjadi sederhana, fleksibel, dan cepat. Perpustakaan ini menyediakan implementasi KERAS 3 dari arsitektur model populer, dipasangkan dengan koleksi pos pemeriksaan pretrain yang tersedia pada model Kaggle. Model dapat digunakan dengan data teks, gambar, dan audio untuk pembuatan, klasifikasi, dan banyak tugas bawaan lainnya.

Kerashub adalah perpanjangan dari inti keras API; Komponen kerashub disediakan sebagai implementasi Layer dan Model . Jika Anda terbiasa dengan Keras, selamat! Anda sudah memahami sebagian besar kerashub.

Semua model mendukung Jax, TensorFlow, dan Pytorch dari definisi model tunggal dan dapat disesuaikan dengan GPU dan TPU di luar kotak. Model dapat dilatih pada akselerator individu dengan teknik PEFT bawaan, atau disesuaikan dengan skala dengan model dan pelatihan paralel model. Lihat Panduan Memulai kami untuk mulai mempelajari API kami.

Tautan cepat

Untuk semua orang

• Halaman Beranda
• Memulai
• Pemandu
• Dokumentasi API
• Model pra-terlatih

Untuk kontributor

• Panggilan untuk kontribusi
• Peta jalan
• Panduan Kontribusi
• Panduan Gaya
• Panduan Desain API

QuickStart

Pilih backend:

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

Impor Kerashub dan perpustakaan lainnya:

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

Muat model resnet dan gunakan untuk memprediksi label untuk gambar:

 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 ))

Muat model Bert dan fine-tune di ulasan film 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 )

Instalasi

Untuk menginstal rilis Kerashub terbaru dengan Keras 3, cukup jalankan:

 pip install --upgrade keras-hub

Untuk memasang perubahan malam terbaru untuk Kerashub dan Keras, Anda dapat menggunakan paket malam kami.

 pip install --upgrade keras-hub-nightly

Saat ini, menginstal Kerashub akan selalu menarik TensorFlow untuk menggunakan tf.data API untuk preprocessing. Saat pra-pemrosesan dengan tf.data , pelatihan masih dapat terjadi pada backend apa pun.

Kunjungi halaman inti Keras Memulai untuk informasi lebih lanjut tentang menginstal Keras 3, dukungan akselerator, dan kompatibilitas dengan kerangka kerja yang berbeda.

Mengkonfigurasi backend Anda

Jika Anda memiliki Keras 3 yang diinstal di lingkungan Anda (lihat instalasi di atas), Anda dapat menggunakan kerashub dengan salah satu dari Jax, TensorFlow dan Pytorch. Untuk melakukannya, atur variabel lingkungan KERAS_BACKEND . Misalnya:

 export KERAS_BACKEND=jax

Atau di Colab, dengan:

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

import keras_hub 

Penting

Pastikan untuk mengatur KERAS_BACKEND sebelum mengimpor perpustakaan keras; Ini akan digunakan untuk mengatur keras saat pertama kali diimpor.

Kesesuaian

Kami mengikuti versi semantik, dan berencana untuk memberikan jaminan kompatibilitas ke belakang baik untuk kode dan model yang disimpan yang dibangun dengan komponen kami. Sementara kami melanjutkan dengan pengembangan pra-rilis 0.yz , kami dapat mematahkan kompatibilitas kapan saja dan API tidak boleh dianggap stabil.

Penafian

Kerashub menyediakan akses ke model pra-terlatih melalui keras_hub.models API. Model pra-terlatih ini disediakan atas dasar "sebagaimana adanya", tanpa jaminan atau ketentuan apa pun. Model yang mendasari berikut disediakan oleh pihak ketiga, dan tunduk pada lisensi terpisah: Bart, Bloom, DeBerta, Distilbert, GPT-2, Llama, Mistral, Opt, Roberta, Whisper, dan XLM-Roberta.

Mengutip Kerashub

Jika Kerashub membantu meneliti Anda, kami menghargai kutipan Anda. Ini entri 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} } ,
}

Ucapan Terima Kasih

Terima kasih untuk semua kontributor kami yang luar biasa!