ดีปเลิร์นนิงเพื่อมนุษย์: เปิดตัว Keras 3.0

• มีการประกาศเปิดตัว Keras 3.0 อย่างเป็นทางการ หลังผ่านการทดสอบเบตาแบบสาธารณะมา 5 เดือน
• Keras 3 คือเวอร์ชันที่เขียนใหม่ทั้งหมด เพื่อให้สามารถรันเวิร์กโฟลว์ของ Keras บน JAX, TensorFlow และ PyTorch ได้
• มาพร้อมความสามารถใหม่สำหรับการฝึกและการดีพลอยโมเดลขนาดใหญ่

ต้อนรับแมชชีนเลิร์นนิงแบบหลายเฟรมเวิร์ก

• จุดเด่นของการใช้ Keras คือความเร็วในการพัฒนา ประสบการณ์ผู้ใช้ การออกแบบ API และความสะดวกในการดีบัก
• เป็นเฟรมเวิร์กที่ผ่านการพิสูจน์แล้วและมีนักพัฒนากว่า 2.5 ล้านคนเลือกใช้ โดยถูกใช้งานในระบบ ML ขนาดใหญ่ เช่น รถยนต์ขับเคลื่อนอัตโนมัติของ Waymo และระบบแนะนำวิดีโอของ YouTube
• Keras 3 ยังให้ประโยชน์เพิ่มเติม เช่น การปรับแต่งประสิทธิภาพของโมเดล การขยายตัวเลือกในอีโคซิสเต็มของโมเดล และการรองรับ model parallelism กับ data parallelism สำหรับโมเดลขนาดใหญ่

ใช้งาน Keras 3 API ได้บน JAX, TensorFlow และ PyTorch

• Keras 3 รองรับการติดตั้งใช้งาน Keras API อย่างครบถ้วน และสามารถใช้ได้บน TensorFlow, JAX และ PyTorch
• โมเดล Keras ทุกตัวที่ใช้เฉพาะเลเยอร์ในตัว จะทำงานได้ทันทีบนทุกแบ็กเอนด์ที่รองรับ
• โมเดล tf.keras เดิมก็สามารถนำไปรันบน JAX และ PyTorch ได้โดยตรงเช่นกัน

เขียนเลเยอร์ โมเดล และเมตริกแบบหลายเฟรมเวิร์ก

• Keras 3 สามารถสร้างคอมโพเนนต์ที่ทำงานเหมือนกันบนทุกแบ็กเอนด์ได้ เช่น custom layer หรือโมเดลที่ผ่านการพรีเทรนแล้ว
• ผ่านเนมสเปซ keras.ops จะมีทั้ง NumPy API ที่เข้ากันได้ข้ามแบ็กเอนด์ และฟังก์ชันเฉพาะทางสำหรับโครงข่ายประสาทเทียม
• ตราบใดที่ใช้เพียง keras.ops custom layer และเมตริกก็จะทำงานด้วยโค้ดเดียวกันบน JAX, PyTorch และ TensorFlow

Distributed API ใหม่สำหรับ data parallelism และ model parallelism ขนาดใหญ่

• มี Distributed API ใหม่เพื่อแก้ปัญหาการชาร์ดโมเดลขนาดใหญ่
• แยกการนิยามโมเดล ลอจิกการฝึก และการตั้งค่าการชาร์ดออกจากกัน ทำให้สามารถเขียนโมเดลได้เหมือนกำลังรันบนอุปกรณ์เดียว
• มี API ที่ช่วยให้กำหนด sharding layout สำหรับ data parallelism และ model parallelism ได้อย่างง่ายดาย

โมเดลที่ผ่านการพรีเทรนแล้ว

• มีโมเดลที่ผ่านการพรีเทรนแล้วหลากหลายแบบให้ใช้งานใน Keras 3
• โมเดลทั้งหมดใน Keras Applications รวมถึงโมเดลที่พรีเทรนแล้วจาก KerasCV และ KerasNLP สามารถทำงานได้บนทุกแบ็กเอนด์

รองรับ data pipeline แบบข้ามเฟรมเวิร์กบนทุกแบ็กเอนด์

• โมเดล Keras 3 สามารถฝึกได้ด้วย data pipeline ที่หลากหลาย ไม่ว่าจะใช้แบ็กเอนด์ JAX, PyTorch หรือ TensorFlow

การเปิดเผยความซับซ้อนอย่างค่อยเป็นค่อยไป

• Keras API ยึดหลักการออกแบบที่รองรับเวิร์กโฟลว์หลากหลายรูปแบบ เพื่อให้เหมาะกับผู้ใช้หลายกลุ่ม ตั้งแต่งานง่าย ๆ ไปจนถึงการปรับแต่งระดับล่าง

Stateless API

• อ็อบเจ็กต์ Keras ทุกตัวที่มีสถานะ ตอนนี้มี Stateless API ให้ใช้งานในฟังก์ชันของ JAX ได้แล้ว

การย้ายจาก Keras 2 ไปยัง Keras 3

• Keras 3 มีความเข้ากันได้กับ Keras 2 ในระดับสูง ผู้ใช้ส่วนใหญ่จึงสามารถย้ายไปใช้ Keras 3 ได้โดยไม่ต้องแก้โค้ด
• สำหรับโค้ดเบสขนาดใหญ่ อาจจำเป็นต้องมีการแก้ไขโค้ดบางส่วน แต่มี migration guide แบบครบถ้วนเพื่อช่วยในการย้าย
• หากต้องการใช้ Keras 2 ต่อไป ยังสามารถใช้แพ็กเกจ tf_keras หรือกำหนดตัวแปรสภาพแวดล้อม TF_USE_LEGACY_KERAS เพื่อใช้งาน Keras 2 ได้

ความเห็นของ GN⁺

ประเด็นสำคัญที่สุดของบทความนี้คือการเปิดตัว Keras 3.0 อย่างเป็นทางการ และฟีเจอร์ใหม่ที่มอบให้กับนักพัฒนา Keras 3.0 ทำงานได้บนแบ็กเอนด์ที่หลากหลาย เช่น JAX, TensorFlow และ PyTorch พร้อมยกระดับความยืดหยุ่นและประสิทธิภาพของการพัฒนาแมชชีนเลิร์นนิงอย่างมาก ด้วยการปรับปรุงความสามารถด้านการฝึกและการดีพลอยโมเดลขนาดใหญ่ คุณสมบัติเหล่านี้ถือเป็นข่าวที่น่าตื่นเต้นมากสำหรับชุมชนแมชชีนเลิร์นนิง และเปิดโอกาสให้นักพัฒนาสามารถทดลองและดีพลอยโมเดลได้ในสภาพแวดล้อมที่หลากหลายยิ่งขึ้น.

[cosine20]

ส่วนตัวผมชอบ Keras มากอยู่แล้ว และก็ดีใจมากที่ตอนนี้สามารถรันโดยใช้ Pytorch เป็นแบ็กเอนด์ได้ด้วย

[imozart7]

โอ้ มีการประกาศ Keras เวอร์ชันใหม่แล้วสินะ

ผมเพิ่งเรียนแต่ PyTorch มาเอง แต่พอเห็นว่า
"โมเดล tf.keras เดิมก็สามารถรันบน JAX และ PyTorch ได้ทันที" ก็เลยสงสัยว่าทำกันอย่างไร~

[kuroneko]

โอ้ Keras 3 ออกมาแล้วสินะ +_+
หวังว่าทั้งการพัฒนาโมเดลและการเทรนจะง่ายขึ้นอีกหน่อยนะ