Keras

Keras — відкрита нейромережна бібліотека, написана мовою Python. Вона здатна працювати поверх TensorFlow, Microsoft Cognitive Toolkit, R, Theano та PlaidML.[3][4][5] Спроєктовану для уможливлення швидких експериментів з мережами глибинного навчання, її зосереджено на тому, щоби вона була зручною в користуванні, модульною та розширюваною. Її було створено як частину дослідницьких зусиль проєкту ONEIROS (англ. Open-ended Neuro-Electronic Intelligent Robot Operating System),[6] а її основним автором та підтримувачем є Франсуа Шоллє (фр. François Chollet), інженер Google. Шоллє є також автором глибинно-нейромережної моделі XCeption.[7]

Keras
Тип Нейронні мережі
Автор(и) Франсуа Шоллє
Розробник збірні
Перший випуск 27 березня, 2015 (2015-03-27)
Стабільний випуск 2.3.1[1] (7 жовтня, 2019 (2019-10-07))
Версії 2.4.0 (17 червня 2020)[2]
Репозиторій github.com/keras-team/keras
Платформа Багатоплатформна
Мова програмування Python
Українська немає
Стан розробки Активний
Ліцензія MIT
Вебсайт keras.io

2017 року команда TensorFlow Google вирішила підтримувати Keras в основній бібліотеці TensorFlow.[8] Шоллє пояснив, що Keras було замислено радше як інтерфейс, аніж як самостійну систему машинного навчання. Вона пропонує високорівневий, інтуїтивніший набір абстракцій, який робить розробку глибинно-нейромережних моделей простою незалежно від використовуваного обчислювального тилу.[9] Microsoft додала до Keras і тил CNTK, доступний з версії CNTK 2.0.[10][11]

Властивості

Keras містить численні втілення широко вживаних нейромережних будівельних блоків, таких як шари, цільові та передавальні функції, оптимізувальники та безліч інструментів для спрощення роботи із зображеннями та текстом, щоби спрощувати кодування, потрібне для написання глибинно-нейромережного коду. Її код розміщено на GitHub, а до форумів спільнотної підтримки належать сторінка питань GitHub та канал Slack.

На додачу до стандартних нейронних мереж, Keras містить підтримку згорткових та рекурентних нейронних мереж. Вона підтримує інші поширені службові шари, такі як виключення, пакетне унормовування та агрегування.[12]

Keras дає своїм користувачам можливість виробляти продукти на основі глибинних моделей для смартфонів (iOS та Android), вебсайтів та віртуальної машини Java.[4] Вона також дозволяє використовувати розподілене тренування моделей глибинного навчання на кластерах графічних (ГП) та тензорних (ТП) процесорів переважно у зв'язці з CUDA.[13]

Розвиток

Keras претендує на кількість користувачів у понад 250 000 осіб станом на середину 2018 року.[4] Вона була 10-м найзгадуванішим інструментом в опитуванні KDnuggets стосовно програмного забезпечення 2018 року, і зареєструвала 22 %-ве використання.[14]

Див. також

Примітки
  1. GitHub release, процитовано 2019-12-09 (англ.)
  2. Release 2.4.0 — 2020.
  3. Keras backends. keras.io. Процитовано 23 лютого 2018. (англ.)
  4. Why use Keras?. keras.io. Процитовано 22 березня 2020. (англ.)
  5. R interface to Keras. keras.rstudio.com. Процитовано 22 березня 2020. (англ.)
  6. Документація Keras. keras.io. Процитовано 18 вересня 2016. (англ.)
  7. Chollet, François (2016). «Xception: Deep Learning with Depthwise Separable Convolutions». arXiv:1610.02357. (англ.)
  8. Module: tf.keras | TensorFlow. TensorFlow (англ.). Процитовано 14 листопада 2018. (англ.)
  9. Коментар Шоллє на GitHub (англ.)
  10. Питання CNTK Keras на GitHub (англ.)
  11. alexeyo. CNTK_2_0_Release_Notes. docs.microsoft.com (en-us). Процитовано 14 червня 2017. (англ.)
  12. Core - Keras Documentation. keras.io (англ.). Процитовано 14 листопада 2018. (англ.)
  13. Using TPUs  |  TensorFlow. TensorFlow (англ.). Процитовано 14 листопада 2018. (англ.)
  14. Piatetsky, Gregory. Python eats away at R: Top Software for Analytics, Data Science, Machine Learning in 2018: Trends and Analysis. KDnuggets. KDnuggets. Процитовано 30 травня 2018. (англ.)

Література
  • Chollet, François; Allaire, J. J. (2018). Deep Learning with R. Manning. ISBN 978-1-61729-554-6. (англ.)

Посилання
This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.