keras hub

Kerashub: многократные модели предварительно

Важный

? Kerasnlp теперь kerashub! ? Прочитайте объявление.

Kerashub - это библиотека моделирования, которая стремится быть простым, гибким и быстрым. Библиотека предоставляет реализации Keras 3 популярных модельных архитектур, в сочетании с набором предварительно проведенных контрольных точек, доступных на моделях Kaggle. Модели могут использоваться с текстом, изображением и аудиодатами для генерации, классификации и многих других встроенных задач.

Kerashub - это расширение API Core Keras; Компоненты Kerashub предоставляются в качестве реализаций Layer и Model . Если вы знакомы с Керас, поздравляю! Вы уже понимаете большую часть Kerashub.

Все модели поддерживают JAX, TensorFlow и Pytorch из определения одной модели и могут быть настраивались на графических процессорах и TPU из коробки. Модели могут быть обучены отдельным ускорителям со встроенными методами PEFT или тонко настроены в масштабе с модельным и параллельным обучением данных. Смотрите наше руководство по началу изучения нашего API.

Быстрые ссылки

Для всех

• Домашняя страница
• Начиная
• Гиды
• Документация API
• Предварительно обученные модели

Для участников

• Призовать взносы
• Дорожная карта
• Способный гид
• Руководство по стилю
• Руководство по дизайну API

QuickStart

Выберите бэкэнд:

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

Импортируйте керашуб и другие библиотеки:

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

Загрузите модель Resnet и используйте ее для прогнозирования метки для изображения:

 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 ))

Загрузите модель Bert и настраивайте ее на обзоры фильмов 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 )

Установка

Чтобы установить последний выпуск Kerashub с Keras 3, просто запустите:

 pip install --upgrade keras-hub

Чтобы установить последние ночные изменения как для Kerashub, так и для Keras, вы можете использовать наш ночной пакет.

 pip install --upgrade keras-hub-nightly

В настоящее время установка Kerashub всегда будет тянуть Tensorflow для использования API tf.data для предварительной обработки. При предварительной обработке с tf.data тренировка все еще может происходить на любом бэкэнде.

Посетите страницу Core Keras для начала работы для получения дополнительной информации об установке Keras 3, поддержке акселератора и совместимости с различными структурами.

Настройка вашего бэкэнда

Если в вашей среде установлен Keras 3 (см. Установку выше), вы можете использовать Kerashub с любым JAX, TensorFlow и Pytorch. Для этого установите переменную среды KERAS_BACKEND . Например:

 export KERAS_BACKEND=jax

Или в Колаба, с:

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

import keras_hub 

Важный

Обязательно установите KERAS_BACKEND , прежде чем импортировать любые библиотеки Keras; Он будет использоваться для настройки кера, когда он впервые импортируется.

Совместимость

Мы следуем семантическим версиям и планируем обеспечить обратную совместимость гарантий как для кода, так и для сохраненных моделей, созданных с нашими компонентами. Несмотря на то, что мы продолжаем разработку предварительного выпуска 0.yz , мы можем нарушать совместимость в любое время, и API не следует считать стабильными.

Отказ от ответственности

Kerashub предоставляет доступ к предварительно обученным моделям через API keras_hub.models . Эти предварительно обученные модели предоставляются на основе «как есть», без каких-либо гарантий или условий. Следующие базовые модели предоставляются третьими лицами, и при условии отдельных лицензий: BART, Bloom, Deberta, Distilbert, GPT-2, Llama, Mistral, Opt, Roberta, Whisper и XLM-Roberta.

Цитируя керашуб

Если Kerashub помогает вашему исследованию, мы ценим ваши цитаты. Вот запись 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} } ,
}

Благодарности

Спасибо всем нашим замечательным участникам!