深度学习框架选择 Keras的理由

目前有许多深度学习框架可用。为什么使用 Keras 而不是其他？

以下是 Keras 与现有替代品相比具有优势的一些领域。

Keras 优先考虑开发者体验

• Keras 是为人类而非机器设计的 API。Keras 遵循减少认知负荷的最佳实践：它提供一致且简单的 API，最大限度地减少常见用例所需的用户操作数量，并在用户错误时提供清晰且可操作的反馈。
• 这使得 Keras 易于学习和使用。作为 Keras 用户，您的工作效率更高，让您可以比竞争对手更快地尝试更多想法——这反过来又有助于您在机器学习竞赛中获胜。
• 这种易用性不会以降低灵活性为代价：因为 Keras 与低级 TensorFlow 功能深度集成，它使您能够开发高度可破解的工作流，其中任何功能都可以自定义。

2019 年初，我们对前两年在任何 Kaggle 比赛中排名前 5 的团队进行了一项调查（N=120）。我们询问了他们：

1. 他们在比赛中使用的主要机器学习框架，他们进入了前 5 名。
2. 他们使用的所有框架（主要和辅助）。

在主要框架和所有使用的框架中，Keras 在深度学习方面均排名第一。

Keras 在业界和研究界得到广泛采用

截至 2021 年底，Keras 拥有超过 100 万个人用户，在整个行业和研究界都得到了广泛采用。与 TensorFlow 2 一起，Keras 的采用率超过任何其他深度学习解决方案——在每个垂直领域。

您已经在不断地与使用 Keras 构建的功能进行交互——Netflix、Uber、Yelp、Instacart、Zocdoc、Square 和许多其他公司都在使用它。它在将深度学习作为其产品核心的初创公司中尤其受欢迎。

Keras 和 TensorFlow 2 也是研究人员的最爱，在被 Google Scholar 索引的科学论文中被提及的次数排名第一。Keras 也被大型科学组织的研究人员采用，例如 CERN 和 NASA。

Keras 可以轻松将模型转化为产品

与任何其他深度学习 API 相比，您的 Keras 模型可以轻松部署在更广泛的平台上：

• 通过 Python 运行时或 Node.js 运行时在服务器上
• 在服务器上通过 TFX / TF Serving
• 在浏览器中通过 TF.js
• 在 Android 或 iOS 上通过 TF Lite 或 Apple 的 CoreML
• 在 Raspberry Pi、Edge TPU 或其他嵌入式系统上

Keras 拥有强大的多 GPU 和分布式训练支持

Keras 是可扩展的。使用由KerasDistributionStrategy原生支持的TensorFlow API，您可以轻松地在大型 GPU 集群（多达数千台设备）或整个 TPU pod 上运行您的模型，这代表了超过 1 亿亿次浮点计算能力。

Keras 还对最新的 NVIDIA GPU 和 TPU 上的混合精度训练提供本地支持，这可以为训练和推理提供高达 2 倍的加速。

有关更多信息，请参阅我们的多 GPU 和分布式训练指南。

Keras 处于大型生态系统的纽带

像您一样，我们直接知道构建和训练模型只是机器学习工作流程的一部分。Keras 是为现实世界而构建的，在现实世界中，成功的模型始于数据收集，终于生产部署。

Keras 处于紧密连接项目的广泛生态系统的中心，这些项目共同涵盖机器学习工作流程的每一步，特别是：

• 使用AutoKeras 进行快速模型原型设计
• 通过TF Cloud在 GCP 上进行可扩展的模型训练
• 使用KerasTuner调整超参数
• 额外的层、损失、指标、回调……通过TensorFlow 插件
• 使用TF 模型优化工具包进行推理模型量化和修剪
• 在移动设备或嵌入TF Lite 的模型部署
• 通过TF.js在浏览器中部署模型
• ...还有很多。