keras hub

KERASHUB: modelos pré-tenhados com vários quadros

Importante

? Kerasnlp agora é Kerashub! ? Leia o anúncio.

O Kerashub é uma biblioteca de modelagem pré -treinada que pretende ser simples, flexível e rápida. A biblioteca fornece implementações do Keras 3 de arquiteturas de modelos populares, combinadas com uma coleção de pontos de verificação pré -treinados disponíveis nos modelos Kaggle. Os modelos podem ser usados ​​com dados de texto, imagem e áudio para geração, classificação e muitas outras tarefas incorporadas.

Kerashub é uma extensão da API do núcleo Keras; Os componentes do kerashub são fornecidos como implementações Layer e Model . Se você está familiarizado com Keras, parabéns! Você já entende a maior parte do Kerashub.

Todos os modelos suportam Jax, Tensorflow e Pytorch de uma definição de modelo único e podem ser ajustados em GPUs e TPUs prontos para fora da caixa. Os modelos podem ser treinados em aceleradores individuais com técnicas de PEFT embutidas ou ajustadas em escala com treinamento paralelo de modelo e dados. Veja nosso guia de início para começar a aprender nossa API.

Links rápidos

Para todos

• Página inicial
• Começando
• Guias
• Documentação da API
• Modelos pré-treinados

Para colaboradores

• Ligue para contribuições
• Roteiro
• Guia contribuinte
• Guia de estilo
• Guia de design da API

Investir rápido

Escolha um back -end:

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

Importar Kerashub e outras bibliotecas:

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

Carregue um modelo Resnet e use -o para prever um rótulo para uma imagem:

 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 ))

Carregue um modelo Bert e ajuste-o nas resenhas de filmes do 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 )

Instalação

Para instalar o lançamento mais recente do Kerashub com o Keras 3, basta executar:

 pip install --upgrade keras-hub

Para instalar as mais recentes alterações noturnas para Kerashub e Keras, você pode usar nosso pacote noturno.

 pip install --upgrade keras-hub-nightly

Atualmente, a instalação do Kerashub sempre puxa o TensorFlow para o uso da API tf.data para pré -processamento. Ao pré-processamento com tf.data , o treinamento ainda pode acontecer em qualquer back-end.

Visite a página principal do Keras para iniciar mais informações sobre a instalação do Keras 3, o suporte do acelerador e a compatibilidade com diferentes estruturas.

Configurando seu back -end

Se você tiver o Keras 3 instalado em seu ambiente (consulte a instalação acima), você pode usar o Kerashub com qualquer um dos Jax, Tensorflow e Pytorch. Para fazer isso, defina a variável de ambiente KERAS_BACKEND . Por exemplo:

 export KERAS_BACKEND=jax

Ou em Colab, com:

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

import keras_hub 

Importante

Certifique -se de definir o KERAS_BACKEND antes de importar qualquer biblioteca Keras; Ele será usado para configurar o Keras quando for importado pela primeira vez.

Compatibilidade

Seguimos o versão semântica e planejamos fornecer garantias de compatibilidade com versões anteriores para o código e os modelos salvos criados com nossos componentes. Enquanto continuamos com o desenvolvimento pré-lançamento 0.yz , podemos quebrar a compatibilidade a qualquer momento e as APIs não devem ser consideradas estáveis.

Isenção de responsabilidade

O Kerashub fornece acesso a modelos pré-treinados pela API keras_hub.models . Esses modelos pré-treinados são fornecidos com base "como está", sem garantias ou condições de qualquer tipo. Os seguintes modelos subjacentes são fornecidos por terceiros e sujeitos a licenças separadas: Bart, Bloom, Deberta, Distilbert, GPT-2, Llama, Mistral, Opt, Roberta, Whisper e XLM-Roberta.

Citando Kerashub

Se o Kerashub ajudar sua pesquisa, agradecemos suas citações. Aqui está a entrada do 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} } ,
}

Agradecimentos

Obrigado a todos os nossos maravilhosos colaboradores!