awesome-video-text-retrieval
awesome-video-text-retrieval 是一个专为视频 - 文本检索领域打造的深度学习资源合集。它致力于解决在海量视频数据中，如何通过自然语言描述快速、精准地定位目标内容的技术难题。随着多模态人工智能的发展，让机器理解“视频画面”与“文字语义”之间的关联变得至关重要，而该列表正是为了降低这一领域的研究门槛而生。
这份资源库非常适合人工智能研究人员、算法工程师以及计算机视觉领域的开发者使用。无论是刚入门探索的新手，还是寻求最新突破的资深专家，都能从中获益。其核心亮点在于“精选”与“全面”：不仅按年份系统梳理了从早期经典到 2023 年 CVPR 等顶会的最新论文（如 CLIPPING、IMAGEBIND 等前沿工作），还贴心地整理了基于 PyTorch、TensorFlow 等主流框架的代码实现链接，并涵盖了关键数据集和实用工具包。通过提供论文、代码和项目主页的一站式索引，awesome-video-text-retrieval 极大地节省了从业者搜集资料的时间，帮助大家更高效地复现算法、验证想法或开展新的科研工作，是深耕视频语言多模态任务不可或缺的导航图。
使用场景
某视频内容平台的技术团队正致力于升级其内部搜索引擎，希望实现用户输入自然语言描述即可精准定位视频片段的功能。
没有 awesome-video-text-retrieval 时
- 文献调研效率极低：研究人员需在 Google Scholar 和 arXiv 上手动筛选海量论文，难以区分哪些模型真正开源了代码，往往花费数周时间却找不到可复现的基线。
- 技术选型盲目混乱：面对 CLIP、BERT 等多种架构的变体，缺乏系统的横向对比资源，导致团队容易选错不适合视频时序特性的模型，造成算力浪费。
- 数据与代码割裂：找到论文后，常发现官方未公开代码或缺少配套数据集链接，开发人员不得不从头复现算法，项目启动周期被严重拉长。
- 前沿动态滞后：团队难以及时追踪如 CVPR 2023 中提出的稀疏 Transformer 或提示微调（Prompt Tuning）等最新 SOTA 方法，产品技术竞争力不足。
使用 awesome-video-text-retrieval 后
- 资源获取一站式完成：直接查阅按年份和框架（PyTorch/TensorFlow）分类的清单，几分钟内即可锁定带有完整代码链接和高性能数据集的最新论文。
- 基线搭建快速精准：依托列表中整理的
ClipBERT、Mixture-of-Embedding-Experts等成熟实现，团队当天便成功跑通基准测试，确立了正确的技术路线。 - 复现门槛大幅降低：每个条目均附带论文、代码库及主页链接，甚至包含特征提取工具包，开发人员无需重复造轮子，可专注于业务逻辑优化。
- 紧跟学术最前沿：通过持续更新的 2023 年顶会论文列表，团队迅速引入了
VoP协同提示微调等新技术，显著提升了检索准确率。
awesome-video-text-retrieval 将原本数月的调研与试错过程压缩至数天，成为连接学术前沿与工业落地的关键加速器。
运行环境要求
未说明
未说明
快速开始
深度学习在视频-文本检索中的优秀资源 
一个精心整理的深度学习资源列表，专注于视频-文本检索领域。
贡献
欢迎随时提交拉取请求以添加相关论文。
Markdown格式如下：
- `[作者 期刊/会议名称 年份]` 标题。期刊/会议名称，年份。[[论文]](链接) [[代码]](链接) [[主页]](链接)
目录
实现
PyTorch
- hybrid_space
- dual_encoding
- w2vvpp
- Mixture-of-Embedding-Experts
- howto100m
- collaborative
- hgr
- coot
- mmt
- ClipBERT
TensorFlow
Others
- w2vv(Keras)
有用的工具包
论文
2023
[Pei et al. CVPR23]CLIPPING：利用学生模型蒸馏基于CLIP的视频-语言检索模型。CVPR，2023年。[论文][Li et al. CVPR23]SViTT：稀疏视频-文本Transformer的时间建模。CVPR，2023年。[论文] [代码][Wu et al. CVPR23]Cap4Video：辅助字幕对文本-视频检索有何作用？CVPR，2023年。[论文] [代码][Ko et al. CVPR23]MELTR：用于学习微调视频基础模型的元损失Transformer。CVPR，2023年。[论文] [代码][Wang et al. CVPR23]All in One：探索统一的视频-语言预训练。CVPR，2023年。[论文] [代码][Girdhar et al. CVPR23]IMAGEBIND：一个嵌入空间，将所有内容绑定在一起。CVPR，2023年。[论文] [代码][Huang et al. CVPR23]VoP：用于跨模态检索的文本-视频协同提示调优。CVPR，2023年。[论文] [代码][Li et al. CVPR23]LAVENDER：将视频-语言理解统一为掩码语言建模。CVPR，2023年。[论文] [代码][Huang et al. CVPR23]Clover：迈向统一的视频-语言对齐与融合模型。CVPR，2023年。[论文] [代码][Ji et al. CVPR23]看到你所忽略的：通过语义补全学习进行视觉-语言预训练。CVPR，2023年。[论文][Gan et al. CVPR23]CNVid-3.5M：构建、筛选并预训练大规模公开中文视频-文本数据集。CVPR，2023年。[论文] [代码][Zhao et al. CVPRW23]Cali-NCE：通过校准对齐提升跨模态视频表征学习。CVPR研讨会，2023年。[论文][Ma et al. TCSVT23]利用多模态对比知识蒸馏进行视频-文本检索。TCSVT，2023年。[论文]
2022年
[Dong等. ACMMM22]部分相关视频检索。ACM多媒体会议，2022年。[主页] [论文] [代码]一种新的文本到视频检索子任务[Wang等. ACMMM22]基于噪声鲁棒学习的跨语言跨模态检索。ACM多媒体会议，2022年。[论文] [代码][Wang等. ACMMM22]学习理解视频检索中的否定。ACM多媒体会议，2022年。[论文] [代码][Falcon等. ACMMM22]用于文本-视频检索的特征空间多模态数据增强技术。ACM多媒体会议，2022年。[论文] [代码][Ma等. ACMMM22]X-CLIP：面向视频-文本检索的端到端多粒度对比学习。ACM多媒体会议，2022年。[论文][Hu等. ECCV22]轻量级注意力特征融合：文本-视频检索的新基线。ECCV，2022年。[论文] [代码][Liu等. ECCV22]TS2-Net：用于文本-视频检索的标记移位与选择Transformer。ECCV，2022年。[论文] [代码][Dong等. TCSVT22]受阅读策略启发的视觉表征学习用于文本-视频检索。TCSVT，2022年。[论文] [代码][Li等. CVPR22]对齐与提示：基于实体提示的视频-语言预训练，CVPR，2022年。[论文] [代码][Shvetsova等. CVPR22]一网打尽——用于视频检索的多模态融合Transformer。CVPR，2022年。[论文] [代码][Ge等. CVPR22]用多项选择题架起视频-文本检索的桥梁。CVPR，2022年。[论文] [代码][Han等. CVPR22]长时视频的时序对齐网络。CVPR，2022年。[论文] [代码][Gorti等. CVPR22]X-Pool：用于文本-视频检索的跨模态语言-视频注意力机制。CVPR，2022年。[论文] [代码][Lu等. NIPS22]LGDN：用于视频-语言建模的语言引导去噪网络。NIPS，2022年。[论文][Liu等. SIGIR22]动画化图像以迁移CLIP用于视频-文本检索。SIGIR，2022年。[论文][Zhao等. SIGIR22]CenterCLIP：用于高效文本-视频检索的标记聚类。SIGIR，2022年。[论文][Liu等. ACL22]跨模态离散表征学习。ACL，2022年。[论文][Gabeur等. WACV22]用于跨模态视频检索的模态掩码。WACV，2022年。[论文][Cao等. AAAI22]用于视频-文本检索的视觉共识建模。AAAI，2022年。[论文] [代码][Cheng等. AAAI22]通过多流语料库对齐和双Softmax损失提升视频-文本检索性能。AAAI，2022年。[论文][代码][Wang等. TMM22]众人拾柴火焰高：从辅助任务中迁移知识用于视频-文本检索。IEEE多媒体汇刊，2022年。[论文][Park等. NAACL22]通过对比集合揭示视频-文本模型的局限性。NAACL，2022年。[论文] [代码][Song等. TOMM22]用于跨模态文本-视频检索的对抗性多粒度嵌入网络。TOMM，2022年。[论文][Bai等. ARXIV22]LaT：用于视频-文本检索的具有循环一致性的潜在翻译。arXiv：2207.04858，2022年。[论文][Bain等. ARXIV22]长视频检索的CLIP搭便车指南。arXiv：2205.08508，2022年。[论文][Gao等. ARXIV22]CLIP2TV：对齐、匹配与蒸馏用于视频-文本检索。arXiv：2111.05610，2022年。[论文][Jiang等. ARXIV22]腾讯文本-视频检索：具有多级表征的层次化跨模态交互。arXiv：2204.03382，2022年。[论文]
2021年
[Dong等. TPAMI21]基于文本的视频检索双编码方法。IEEE模式分析与机器智能汇刊，2021年。[论文] [代码][Wei等. TPAMI21]用于跨模态检索的通用加权度量学习。IEEE模式分析与机器智能汇刊，2021年。[论文][Lei等. CVPR21]少即是多：通过稀疏采样实现视频与语言联合学习的CLIPBERT。CVPR，2021年。[论文] [代码][Wray等. CVPR21]关于视频检索中的语义相似性。CVPR，2021年。[论文] [代码][Chen等. CVPR21]学习视觉语义嵌入的最佳池化策略。CVPR，2021年。[论文][代码][Wang等. CVPR21]T2VLAD：面向文本-视频检索的全局-局部序列对齐。CVPR，2021年。[论文][Miech等. CVPR21]快思考与慢思考：基于Transformer的高效文本到视觉检索。CVPR，2021年。[论文][Liu等. CVPR21]用于跨域视觉-语言检索的自适应跨模态原型。CVPR，2021年。[论文][Chen等. ICCV21]用于从无标签视频中进行自监督学习的多模态聚类网络。ICCV，2021年。[论文][Ioana等. ICCV21]TEACHTEXT：面向文本-视频检索的跨模态广义蒸馏。ICCV，2021年。[论文][代码][Yang等. ICCV21]TACo：面向视频-文本对齐的令牌感知级联对比学习。ICCV，2021年。[论文][Bian等. ICCV21]冻结时间：用于端到端检索的视频与图像联合编码器。ICCV，2021年。[论文][代码][Wen等. ICCV21]COOKIE：面向视觉-语言表示的对比式跨模态知识共享预训练。ICCV，2021年。[论文][代码][Luo等. ACMMM21]CoCo-BERT：通过对比式跨模态匹配和去噪改进视频-语言预训练。ACM多媒体，2021年。[论文][Wu等. ACMMM21]HANet：用于视频-文本检索的层次化对齐网络。ACM多媒体，2021年。[论文][代码][Liu等. ACMMM21]面向视频-文本检索的渐进式语义匹配。ACM多媒体，2021年。[论文][Han等. ACMMM21]面向文本-视频检索的细粒度跨模态对齐网络。ACM多媒体，2021年。[论文][Wei等. ACMMM21]用于跨模态匹配的元自定进度学习。ACM多媒体，2021年。[论文][Patrick等. ICLR21]支持集瓶颈：用于视频-文本表示学习的方法。ICLR，2021年。[论文][Qi等. TIP21]语义感知的空间-时间二值特征：用于跨模态视频检索。IEEE图像处理汇刊，2021年。[论文][Song等. TMM21]用于跨模态文本2视频检索的空间-时间图。IEEE多媒体汇刊，2021年。[论文][Dong等. NEUCOM21]用于领域自适应跨模态检索的多级对齐网络。神经计算，2021年。[论文] [代码][Jin等. SIGIR21]用于视频-文本检索的层次化跨模态图一致性学习。SIGIR，2020年。[论文][He等. SIGIR21]通过自适应间隔改进视频检索。SIGIR，2021年。[论文][Wang等. IJCAI21]深挖多模态线索：利用层次化对齐进行视频检索。IJCAI，2021年。[论文][Chen等. AAAI21]关注差距！面向文本-视频检索的无监督领域自适应。AAAI，2021年。[论文][Hao等. ICME21]什么最重要：面向视频-文本检索的注意力与关系特征聚合网络。ICME，2021年。[论文][Wu等. ICME21]多维注意力层次化图池化网络：用于视频-文本检索。ICME，2021年。[论文][Song等. ICIP21]用于视频-文本检索的语义保持度量学习。IEEE国际图像处理会议，2021年。[论文][Hao等. ICMR21]多特征图注意力网络：用于跨模态视频-文本检索。ICMR，2021年。[论文][Liu等. ARXIV21]HiT：带有动量对比的层次化Transformer，用于视频-文本检索。arXiv:2103.15049，2021年。[论文][Akbari等. ARXIV21]VATT：用于从原始视频、音频和文本中进行多模态自监督学习的Transformer。arXiv:2104.11178，2021年。[论文] [代码][Fang等. ARXIV21]CLIP2Video：通过图像CLIP掌握视频-文本检索。arXiv:2106.11097，2021年。[论文] [代码][Luo等. ARXIV21]CLIP4Clip：关于CLIP在端到端视频片段检索中应用的实证研究。arXiv:2104.08860，2021年。[论文][代码][Li等. ARXIV21]对齐与提示：基于实体提示的视频与语言预训练。arXiv:2112.09583，2021年。[论文][代码]
2020年
[Yang et al. SIGIR20]面向复杂查询视频检索的树增强跨模态编码。SIGIR，2020年。[论文][Ging et al. NeurIPS20]COOT：用于视频-文本表示学习的协作式层次化Transformer。NeurIPS，2020年。[论文] [代码][Gabeur et al. ECCV20]用于视频检索的多模态Transformer。ECCV，2020年。[论文] [代码] [主页][Li et al. TMM20]SEA：面向文本查询视频检索的句子编码器集成。IEEE多媒体汇刊，2020年。[论文][Wang et al. TMM20]学习用于视频-文本检索的由粗到细图神经网络。IEEE多媒体汇刊，2020年。[论文][Chen et al. TMM20]面向跨模态匹配及其他任务的类间相关性自适应度量学习。IEEE多媒体汇刊，2020年。[论文][Wu et al. ACMMM20]面向即席视频搜索的可解释嵌入。ACM多媒体，2020年。[论文][Feng et al. IJCAI20]利用视觉语义推理进行视频-文本检索。IJCAI，2020年。[论文][Wei et al. CVPR20]用于跨模态检索的通用加权度量学习。CVPR，2020年。[论文][Doughty et al. CVPR20]行动修饰符：从教学视频中的副词中学习。CVPR，2020年。[论文][Chen et al. CVPR20]基于层次图推理的细粒度视频-文本检索。CVPR，2020年。[论文][Zhu et al. CVPR20]ActBERT：学习全局-局部视频-文本表示。CVPR，2020年。[论文][Miech et al. CVPR20]从未经整理的教学视频中端到端学习视觉表示。CVPR，2020年。[论文] [代码] [主页][Zhao et al. ICME20]用于视频-文本检索的堆叠卷积深度编码网络。ICME，2020年。[论文][Luo et al. ARXIV20]UniVL：一种用于多模态理解与生成的统一视频语言预训练模型。arXiv:2002.06353，2020年。[论文]
2019年
[Dong et al. CVPR19]零样本视频检索的双编码。CVPR，2019年。[论文] [代码][Song et al. CVPR19]用于跨模态检索的多义视觉-语义嵌入。CVPR，2019年。[论文][Wray et al. ICCV19]通过多种词性嵌入实现细粒度动作检索。ICCV，2019年。[论文][Xiong et al. ICCV19]一种基于图的框架，用于连接电影与剧情简介。ICCV，2019年。[论文][Li et al. ACMMM19]W2VV++：面向即席视频搜索的全深度学习方法。ACM多媒体，2019年。[论文] [代码][Liu et al. BMVC19]就地取材：利用协作专家的表示进行视频检索。BMVC，2019年。[论文] [代码][Choi et al. BigMM19]从单模态空间到跨模态空间：用于跨模态检索的共享表示多任务学习。国际多媒体大数据会议，2019年。[论文]
2018年
[Dong et al. TMM18]通过文本预测视觉特征，用于图像和视频字幕检索。IEEE多媒体汇刊，2018年。[论文] [代码][Zhang et al. ECCV18]视频与文本的跨模态及层次建模。ECCV，2018年。[论文] [代码][Yu et al. ECCV18]用于视频问答与检索的联合序列融合模型。ECCV，2018年。[论文][Shao et al. ECCV18]查找并聚焦：通过自然语言查询检索并定位视频事件。ECCV，2018年。[论文][Mithun et al. ICMR18]利用多模态线索学习联合嵌入，用于跨模态视频-文本检索。ICMR，2018年。[论文] [代码][Miech et al. arXiv18]从不完整且异构数据中学习文本-视频嵌入。arXiv预印本arXiv:1804.02516，2018年。[论文] [代码]
之前
[Yu et al. CVPR17]面向视频字幕生成、检索和问答的端到端概念词检测。CVPR，2017年。[论文] [代码][OtaniEmail et al. ECCVW2016]利用网络图片搜索学习视频与句子的联合表示。ECCV研讨会，2016年。[论文][Xu et al. AAAI15]在统一框架中联合建模深度视频与组合式文本，以打通视觉与语言之间的桥梁。AAAI，2015年。[论文]
特定主题视频检索
其他相关
[Rouditchenko et al. INTERSPEECH21]AVLnet：从教学视频中学习视听语言表示。Interspeech，2021年。[论文] [代码][Li et al. arXiv20]通过视频与文本对判别学习时空特征。arXiv预印本arXiv:2001.05691，2020年。[论文]
数据集
[MSVD]David等。为释义评估收集高度并行的数据。ACL，2011年。[论文] [数据集][MSRVTT]Xu等。MSR-VTT：一个用于连接视频与语言的大型视频描述数据集。CVPR，2016年。[论文] [数据集][TGIF]Li等。TGIF：一个新的关于动画GIF描述的数据集与基准。CVPR，2016年。[论文] [主页][AVS]Awad等。Trecvid 2016：评估视频搜索、视频事件检测、定位及超链接技术。TRECVID研讨会，2016年。[论文] [数据集][LSMDC]Rohrbach等。电影描述。IJCV，2017年。[论文] [数据集][ActivityNet Captions]Krishna等。视频中的密集事件标注。ICCV，2017年。[论文] [数据集][DiDeMo]Hendricks等。利用自然语言定位视频中的时刻。ICCV，2017年。[论文] [代码][HowTo100M]Miech等。HowTo100M：通过观看一亿个带旁白的视频片段学习文本-视频嵌入。ICCV，2019年。[论文] [主页][VATEX]Wang等。VATEX：一个大规模、高质量的多语言视频-语言研究数据集。ICCV，2019年。[论文] [主页]
许可证
在法律允许的最大范围内，danieljf24放弃本仓库的所有版权及相关或邻接权利。
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。