喀拉斯标志
随着 人工智能的使用受到广泛欢迎 在不同的领域， “深度学习” （深度学习）， 也成功获得了很大的相关性，因为它用于决策、对象检测、语音识别、语言翻译以及更多任务，因为它只提到了其中一些使用的任务。
独奏 举个例子， 深度学习 它用于监控摄像机 今天，在这种情况下，我们谈论的是商业用途，它代表着一个巨大的市场，最重要的是因为视频监控不再是奢侈品，而是已开始成为必需品。
这样，无论是视频监控领域还是深度学习的其他用例，都有各种各样的商业和开源项目。
关于 Keras
抛开商业问题，稍微关注一下文章的标题， 我想谈谈 Keras， 这是一个 用 Python 编写的高级神经网络 API。 这个神经网络库 开源 旨在提供深度神经网络的快速实验，可以在 CNTK、TensorFlow 和 Theano 之上运行。
如 亮点 来自其他类似项目的 Keras 是这样的 它的设计是为了让人们可以轻松学习，由于它的创建很简单，具有一致且简单的 API，因此它减少了实现通用代码所需的操作，并清楚地解释了用户错误。
Keras 提供了具有高级抽象的Python接口，同时，您可以选择多个服务器进行计算。这使得 Keras 比其他深度学习框架慢，但对初学者非常友好。因为它注重模块化、易于使用和可扩展。它不处理低级计算；相反，它将它们转移到另一个名为 Backend 的库。
支持 Keras 的另一点是 允许用户生成深度模型 两个人都在 iOS、Android、以及 Web 和 JVM 中， 此外，它还具有强大的多 GPU 支持和分布式训练支持。
喀拉斯3
值得一提的是，Keras， 目前它位于 3.x 分支上几周前发布了，这个新分支已经得到了一些改进和修正，我们可以看到该项目正在不断发展，并且拥有一个庞大的活跃社区。
Keras 已经进行了几个月的密集公开 Beta 测试，Keras 3 的发布代表了一次彻底的重写，提高了大规模训练和部署模型的能力。
内 这个新分支的主要特点 在 Keras 3 中，以下内容很突出：
多后端支持
毫无疑问，Keras 3.0 的一大新颖之处在于它对多个后端的前所未有的支持，因为它充当超级连接器，能够动态选择提供最佳性能的后端，而无需更改代码中的任何内容。
性能提升
Keras 3.0的另一个关键亮点是性能提升，因为它利用XLA（加速线性代数）编译来优化数学计算，此外还加倍进行性能优化，融合了混合精度训练和分布式训练等技术
扩大的生态系统
通过此新更新，Keras 获得了支持改进，并且可以实例化为 PyTorch、导出为 TensorFlow 模型或实例化为无状态 JAX 函数。这意味着您可以利用每个扩展 Keras 生态系统框架的优势，而不必局限于单个生态系统。
值得一提的是，Keras 3 与 Keras 2 高度兼容，因为它实现了 Keras 2 API，但有少数例外，因此大多数用户无需进行任何代码更改即可开始运行其脚本。版本。
最后， 如果您有兴趣了解更多信息， 您可以查看这个新分支的详细信息 在下面的链接中。 如果你想知道 如何实现Keras？ 在您的系统上，您可以检查安装方法 在这个连结中 就这样 文档和用例 要了解它，您可以在 这个环节。