Keras正式从TensorFlow分离：结束API混乱与耗时编译

来源：机器之心

编辑：杜伟、小舟

以后在本地运行 Keras Bazel 测试将不再花费几小时，只需要几分钟。

对于深度学习领域的从业者而言，Keras 肯定不陌生，它是深度学习的主流框架之一。2015 年 3 月 27 日，谷歌软件工程师、Keras 之父 Francois Chollet 在其 GitHub 上提交并公布了 Keras 的首个版本。作为使用纯 Python 编写的深度学习框架，Keras 的代码更加简单方便，适用于初学者。此外，Keras 具有很强的易扩展性，能够直观地定义神经网络，函数式 API 的使用令用户可以将层定义为函数。

Keras 官网地址：https://keras.io/

为了训练自定义神经网络，Keras 需要一个后端，在 v1.1.0 版本之前，Keras 的默认后端都是 Theano。2015 年 11 月 9 日，谷歌发布了 TensorFlow。Keras 开始支持 TensorFlow 作为后端。渐渐地，TensorFlow 成为最受欢迎的后端，并从 Keras v1.1.0 发行版开始成为它的默认后端。tf.keras 正是在 TensorFlow v1.10.0 中引入的，这是将 Keras 直接集成到 TensorFlow 包中的第一步。

当谷歌在 2019 年 6 月发布 TensorFlow 2.0 时，他们宣布 Keras 成为 TensorFlow 的官方高级 API。并且，在 Keras 2.3.0 版本发布时，Francois 表示这是 Keras 首个与 tf.keras 同步的版本，也是 Keras 支持 Theano 等多个后端的最终版本。所有深度学习从业者都应将其代码转换成 TensorFlow 2.0 和 tf.keras 软件包。这意味着二者的合并，但看似双赢的决定，很多开发者却不买账。API 的混乱与割裂不仅令开发者不知所措，也加大了开发者寻找教程的难度。

是时候做出改变了！近日，Keras 之父 Francois Chollet 在其推特宣布一项重要决定：他们已经将 Keras 的代码从 TensorFlow 代码库中分离出来，移回到了自己的 repo。

对于 Keras 从 TensorFlow 分离后有哪些好处？Francois 表示：「这将提升开源贡献者的开发体验。对于用户而言，这将使他们可以在本地运行测试，不再需要编译 TF 来测试 Keras 了，并且还将改善 CI 时间。」

Keras 正式从 TensorFlow 代码库中分离

此次 Keras 分离过程的负责人是谷歌高级软件工程师 Scott Zhu，他代表 Keras 团队向所有 Keras 用户发表了公开声明，解释了 Keras 从 TensorFlow 代码库中分离出来的缘由以及分离后为用户带来的诸多便利之处。

开发团队花费了很多精力使 TensorFlow 更加模块化，并优化了 Keras 和 TensorFlow 之间的依赖关系。最终 Keras 从 TensorFlow 代码库中分离出来，并拥有了自己独立的代码库。这使 Keras 能够使用 Tensorflow Python API 作为 PIP 包依赖项，且无需在构建和测试时编译 TensorFlow。因此现在在本地运行 Keras Bazel 测试只需要几分钟，而不是几小时。

变更之后，当前 TensorFlow 代码库中的 Keras 部分将很快被删除。这意味着：

1. Keras 开源代码库的访问地址将发生变更；

• 原地址：https://github.com/tensorflow/tensorflow

• 新地址：https://github.com/keras-team/keras

2. 经过许可之后，原代码库中 Keras 部分的相关 PR 将被手动合并到新代码库中。Keras 团队成员将在内部进行同步和合并，相关作者无需进行任何操作。但如果 PR 已经打开很长时间且没有作者的活动，Keras 团队可能会关闭它；

3. 任何在先前代码库中未解决的 Keras 相关活跃问题将在现有的 ticket 线程中处理，并将通过提交到新代码库进行修复；

4. 与原代码库相关的陈旧问题将被关闭。如果你认为仍然是有价值的问题，请随时在新代码库中重新打开该问题；

5. 新 Keras 代码库在此次变更前未完成的任何 PR/issue 都被认为是陈旧的，将被关闭。

用户想要提交贡献，如何做？

用户在提交自己的代码以供审查并获得批准时，必须签署谷歌个人贡献者许可协议（CLA），这样才可以将代码放入 Keras 代码库中。此外，在提交更多的贡献时，用户也应首先通过问题跟踪器（issue tracker）与 Keras 联系沟通。

包括项目成员在内所有用户的提交都必须接受审查。为此，Keras 使用 GitHub 拉取请求（pull request, PR），并建议用户在创建 PR 之前阅读相关指南。

完成本地更改并通过测试验证后，用户可以在 keras-team/keras 项目中打开并发送 PR，之后会经过一系列的测试来验证它的正确性。一旦 PR 被审查者测试和批准，PR 将被镜像到谷歌内部存储库。一旦合并到 Google 内部存储库成功完成，PR 还将被标记为已合并（merged）。这与 Tensorflow OSS 的贡献流程相同，相关示例如下图所示：

在做任何更改之前，Keras 团队建议用于打开 issue，并在上面讨论。Keras 也会给予反馈并对用户提出的更改进行验证。如果更改很小，如文档修复中简单的 bug 修复，则只需打开 PR 无需讨论。

与个人用户不同，企业用户提交的贡献需要遵守《谷歌软件授权与企业贡献者许可协议》。

开发所需的工具

使用 Keras 开发所需要的工具主要包括如下：

• 用于创建和测试 Keras 项目的 Bazel 工具和 Python；

• 用于代码库管理的 git 工具。

设置和检查本地工作区

以苹果 Mac 电脑（Linux 系统的配置非常相似）为例，使用如下命令设置并检查本地工作区的配置：

下载 Keras 代码和设置虚拟环境

Python 虚拟环境是创建独立环境的强大工具，可以将任何系统级配置的更改隔离开来。因此，Keras 强烈建议避免出现任何意外的依赖或版本问题。

本地运行测试

在本地运行一个测试的代码如下：

(venv_dir) scottzhu-macbookpro2:keras scottzhu$ bazel test -c opt keras:backend_testWARNING: The following configs were expanded more than once: [v2]. For repeatable flags, repeats are counted twice and may lead to unexpected behavior.INFO: Options provided by the client: Inherited 'common' options: --isatty=1 --terminal_columns=147INFO: Reading rc options for 'test' from /Users/scottzhu/workspace/keras/.bazelrc: Inherited 'build' options: --apple_platform_type=macos --define open_source_build=true --define=use_fast_cpp_protos=false --define=tensorflow_enable_mlir_generated_gpu_kernels=0 --define=allow_oversize_protos=true --spawn_strategy=standalone -c opt --announce_rc --define=grpc_no_ares=true --config=short_logs --config=v2INFO: Reading rc options for 'test' from /Users/scottzhu/workspace/keras/.bazelrc: 'test' options: --define open_source_build=true --define=use_fast_cpp_protos=false --config=v2INFO: Found applicable config definition build:short_logs in file /Users/scottzhu/workspace/keras/.bazelrc: --output_filter=DONT_MATCH_ANYTHINGINFO: Found applicable config definition build:v2 in file /Users/scottzhu/workspace/keras/.bazelrc: --define=tf_api_version=2 --action_env=TF2_BEHAVIOR=1INFO: Found applicable config definition build:v2 in file /Users/scottzhu/workspace/keras/.bazelrc: --define=tf_api_version=2 --action_env=TF2_BEHAVIOR=1INFO: Analyzed target //keras:backend_test (0 packages loaded, 0 targets configured).INFO: Found 1 test target...Target //keras:backend_test up-to-date: bazel-bin/keras/backend_testINFO: Elapsed time: 45.535s, Critical Path: 45.26sINFO: 19 processes: 19 local.INFO: Build completed successfully, 20 total actions//keras:backend_test PASSED in 45.2s Stats over 4 runs: max = 45.2s, min = 40.0s, avg = 41.5s, dev = 2.1s
INFO: Build completed successfully, 20 total actions

最后为大家推荐一篇 Keras 的中文教程，它由 Keras 团队软件工程师金海峰翻译自官网教程，详细介绍了 Keras 和 TensorFlow 的基本用法和核心概念，并通过变分自编码器（Variational Autoencoder）和超网络（Hypernetwork）这两个完整的例子展示了如何在实践中使用 Keras。

教程知乎链接：https://zhuanlan.zhihu.com/p/380472423

参考链接：

https://github.com/qlzh727

https://zhuanlan.zhihu.com/p/364670970

https://www.jiqizhixin.com/articles/2021-04-02-6

https://docs.github.com/en/github/collaborating-with-pull-requests/proposing-changes-to-your-work-with-pull-requests/about-pull-requests

© THE END 

推荐阅读

Facebook万字长文：AI模型全部迁移至PyTorch框架

深入浅出Embedding原理解析与应用实践

复旦大学邱锡鹏组最新综述：A Survey of Transformers！

2021 年了，TensorFlow 和 PyTorch 两个深度学习框架地位又有什么变化吗？

读者你好！我们建立微信交流群，欢迎对人工智能感兴趣的朋友扫码进群！

微商、广告勿扰！谢谢合作！