keras hub

Kerashub: โมเดลที่ผ่านการฝึกฝนมาหลายรูปแบบ

สำคัญ

- Kerasnlp ตอนนี้ Kerashub! - อ่านประกาศ

Kerashub เป็นไลบรารีการสร้างแบบจำลองที่ตั้งไว้ซึ่งมีจุดมุ่งหมายที่จะเรียบง่ายยืดหยุ่นและรวดเร็ว ห้องสมุดให้การใช้งาน Keras 3 ของสถาปัตยกรรมโมเดลยอดนิยมจับคู่กับคอลเลกชันของจุดตรวจสอบที่มีอยู่ในรุ่น Kaggle โมเดลสามารถใช้กับข้อมูลข้อความรูปภาพและเสียงสำหรับการสร้างการจำแนกและงานอื่น ๆ อีกมากมายในตัว

Kerashub เป็นส่วนขยายของแกน Keras API ส่วนประกอบ Kerashub มีให้เป็น Layer และการใช้งาน Model หากคุณคุ้นเคยกับ Keras ขอแสดงความยินดี! คุณเข้าใจ Kerashub ส่วนใหญ่แล้ว

ทุกรุ่นรองรับ Jax, TensorFlow และ Pytorch จากคำจำกัดความรุ่นเดียวและสามารถปรับแต่งได้อย่างละเอียดเกี่ยวกับ GPU และ TPUs ออกจากกล่อง แบบจำลองสามารถฝึกอบรมเกี่ยวกับตัวเร่งความเร็วแต่ละตัวด้วยเทคนิค PEFT ในตัวหรือปรับแต่งอย่างละเอียดในระดับด้วยการฝึกอบรมแบบจำลองและข้อมูลแบบขนาน ดูคู่มือการเริ่มต้นของเราเพื่อเริ่มเรียนรู้ API ของเรา

ลิงค์ด่วน

สำหรับทุกคน

• โฮมเพจ
• เริ่มต้น
• คำแนะนำ
• เอกสาร API
• รุ่นที่ผ่านการฝึกอบรมมาก่อน

สำหรับผู้มีส่วนร่วม

• เรียกร้องให้มีส่วนร่วม
• แผนงาน
• คู่มือการสนับสนุน
• คู่มือสไตล์
• คู่มือการออกแบบ API

เร็ว

เลือกแบ็กเอนด์:

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

นำเข้า kerashub และห้องสมุดอื่น ๆ :

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

โหลดโมเดล resnet และใช้เพื่อทำนายฉลากสำหรับภาพ:

 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 ))

โหลดรุ่น Bert และปรับแต่งบนบทวิจารณ์ภาพยนตร์ 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 )

การติดตั้ง

ในการติดตั้งรีลีฟ Kerashub ล่าสุดด้วย Keras 3 เพียงแค่เรียกใช้:

 pip install --upgrade keras-hub

ในการติดตั้งการเปลี่ยนแปลงล่าสุดสำหรับทั้ง Kerashub และ Keras คุณสามารถใช้แพ็คเกจยามค่ำคืนของเราได้

 pip install --upgrade keras-hub-nightly

ขณะนี้การติดตั้ง kerashub จะดึงใน tensorflow เสมอเพื่อใช้งาน tf.data API สำหรับการประมวลผลล่วงหน้า เมื่อการประมวลผลล่วงหน้ากับ tf.data การฝึกอบรมยังคงสามารถเกิดขึ้นได้ในแบ็กเอนด์ใด ๆ

เยี่ยมชมหน้าหลัก Keras เริ่มต้นใช้งานสำหรับข้อมูลเพิ่มเติมเกี่ยวกับการติดตั้ง Keras 3 การสนับสนุนเร่งความเร็วและความเข้ากันได้กับเฟรมเวิร์กที่แตกต่างกัน

การกำหนดค่าแบ็กเอนด์ของคุณ

หากคุณติดตั้ง Keras 3 ในสภาพแวดล้อมของคุณ (ดูการติดตั้งด้านบน) คุณสามารถใช้ Kerashub กับ Jax, Tensorflow และ Pytorch หากต้องการทำเช่นนั้นให้ตั้งค่าตัวแปรสภาพแวดล้อม KERAS_BACKEND ตัวอย่างเช่น:

 export KERAS_BACKEND=jax

หรือใน colab ด้วย:

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

import keras_hub 

สำคัญ

ตรวจสอบให้แน่ใจว่าได้ตั้ง KERAS_BACKEND ก่อนที่ จะนำเข้าไลบรารี Keras ใด ๆ มันจะถูกใช้เพื่อตั้งค่า keras เมื่อนำเข้าครั้งแรก

ความเข้ากันได้

เราติดตามการกำหนดเวอร์ชันความหมายและวางแผนที่จะให้ความเข้ากันได้ย้อนหลังรับประกันทั้งสำหรับรหัสและโมเดลที่บันทึกไว้ซึ่งสร้างขึ้นด้วยส่วนประกอบของเรา ในขณะที่เราดำเนินการต่อไปด้วยการพัฒนาก่อนการพัฒนา 0.yz เราอาจทำลายความเข้ากันได้ตลอดเวลาและ API ไม่ควรพิจารณาว่ามีเสถียรภาพ

คำเตือน

Kerashub ให้การเข้าถึงโมเดลที่ผ่านการฝึกอบรมล่วงหน้าผ่าน keras_hub.models API โมเดลที่ผ่านการฝึกอบรมมาก่อนเหล่านี้มีให้บนพื้นฐาน "ตามสภาพ" โดยไม่มีการรับประกันหรือเงื่อนไขใด ๆ รูปแบบพื้นฐานต่อไปนี้จัดทำโดยบุคคลที่สามและขึ้นอยู่กับใบอนุญาตแยกต่างหาก: Bart, Bloom, Deberta, Distilbert, GPT-2, Llama, Mistral, Opt, Roberta, Whisper และ XLM-Roberta

อ้าง Kerashub

หาก Kerashub ช่วยงานวิจัยของคุณเราขอขอบคุณการอ้างอิงของคุณ นี่คือรายการ 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} } ,
}

กิตติกรรมประกาศ

ขอบคุณผู้สนับสนุนที่ยอดเยี่ยมของเราทุกคน!