Keras 2.0.7 版发布，诸多改进将强化TensorFlow的开发能力

Posted 2021-04-24 DeepTech深科技

在深度学习领域，谷歌的 TensorFlow 可以说是最为出名的开源工具。它的出现使得深度学习的门槛被大大降低，不仅仅是人工智能专家，就连最普通的程序开发人员都可以利用它来开发出 AI 产品。

但这并不意味这 TensorFlow 已经臻于完美，仍有相当多的开发者会抱怨它的 API 过于冗长和混乱。神经网络专家 Rachel Thomas 就曾说过，“接触 TensorFlow 后，我感觉我还是不够聪明，但有了 Keras 之后，事情会变得简单一些。”

他所提到的 Keras 是一个高级别的 Python 神经网络框架，能在 TensorFlow 上运行。其不仅是第一个被添加到 TensorFlow 核心中的高级别框架，而且还已经成了 Tensorflow 的默认 API。换言之，Keras 对于提升开发者的开发效率来讲意义重大。

就在昨天，Keras 之父 François Chollet 又在 GItHub 发布了最新版的 Keras —— Keras2.0.7 。而这已经是今年三月 Keras 2.0 发布以来的最重大更新之一。其各项主要改进方面如下：

• 漏洞修复；

• 性能提升；

• 文件改善；

• 添加了案例文本，为在 TensorFlow 的数据张量（比如 Datasets, TFRecords）上训练模型提供了更好的支持；

• 提升了 TensorBoard 的用户体验——对 ops 更好地用名称进行分组；

• 提升测试覆盖范围。

API 变化：

• 加入 clone_model 方法, 能够把已有模型作为模板创建新模型；

• 向 compile 中加入 target_tensors 参数，用户能把定制张量或占位符作为模型目标；

• 把 steps_per_epoch 参数加入 fit，用户能采用和 Numpy 数组一致的方法来训练数据张量；

• 把该 steps 参数加入 predict 和 evaluate；

• 加入 Subtract merge 层，以及关联层 function subtract；

• 把 weighted_metrics 参数加入 compile，进一步规定 metric 函数，以把 sample_weight 或 class_weight 纳入考虑；

• 让 stop_gradients 后端函数在整个后端保持一致性；

• 允许 repeat_elements 后端函数有动态的形态；

• 支持 CNTK 的全状态 RNN。

重大变化：

• 使约束管理（constraint management）基于变量属性；

• 移除层和模型中已经不再使用的约束属性。

-End- 

欲知会员计划详情，请点击以上图片