KerasHub：多框架预训练模型

[!IMPORTANT] 📢 KerasNLP 现已更名为 KerasHub！📢 阅读 公告。

KerasHub 是一个旨在简单、灵活且快速的预训练建模库。该库提供了流行模型架构的 Keras 3 实现，并搭配了可在 Kaggle Models 上获取的一系列预训练检查点（checkpoints）。这些模型可用于文本、图像和音频数据，执行生成、分类及其他许多内置任务。

KerasHub 是核心 Keras API 的扩展；KerasHub 组件以 Layer（层）和 Model（模型）的实现形式提供。如果你熟悉 Keras，恭喜你！你已经理解了 KerasHub 的大部分内容。

所有模型都支持从单个模型定义中运行 JAX、TensorFlow 和 PyTorch，并且开箱即用即可在 GPU 和 TPU 上进行微调。模型可以使用内置的 PEFT（参数高效微调）技术在单个加速器上进行训练，或使用模型和数据并行训练进行大规模微调。请参阅我们的 入门指南 开始学习我们的 API。

快速链接

面向所有人

• 主页
• 入门指南
• 教程
• API 文档
• 预训练模型

面向贡献者

• 贡献征集
• 路线图
• 贡献指南
• 风格指南
• API 设计指南

快速开始

选择一个后端：

import os
os.environ["KERAS_BACKEND"] = "jax"  # 或者 "tensorflow" 或 "torch"!

导入 KerasHub 和其他库：

import keras
import keras_hub
import numpy as np
import tensorflow_datasets as tfds

加载一个 ResNet 模型并使用它来预测图像的标签：

classifier = keras_hub.models.ImageClassifier.from_preset(
    "resnet_50_imagenet",
    activation="softmax",
)
url = "https://upload.wikimedia.org/wikipedia/commons/a/aa/California_quail.jpg"
path = keras.utils.get_file(origin=url)
image = keras.utils.load_img(path)
preds = classifier.predict(np.array([image]))
print(keras_hub.utils.decode_imagenet_predictions(preds))

加载一个 BERT 模型并在 IMDb 电影评论上进行微调：

classifier = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en_uncased",
    activation="softmax",
    num_classes=2,
)
imdb_train, imdb_test = tfds.load(
    "imdb_reviews",
    split=["train", "test"],
    as_supervised=True,
    batch_size=16,
)
classifier.fit(imdb_train, validation_data=imdb_test)
preds = classifier.predict(["What an amazing movie!", "A total waste of time."])
print(preds)

安装

要安装最新的 KerasHub 版本（配合 Keras 3），只需运行：

pip install --upgrade keras-hub

要安装 KerasHub 和 Keras 的最新 nightly（每日构建）更改，你可以使用我们的 nightly 包。

pip install --upgrade keras-hub-nightly

目前，安装 KerasHub 将始终拉取 TensorFlow 以供 tf.data API 进行预处理使用。当使用 tf.data 进行预处理时，训练仍可在任何后端上进行。

访问 核心 Keras 入门页面 了解有关安装 Keras 3、加速器支持和与不同框架兼容性的更多信息。

配置你的后端

如果你的环境中已安装 Keras 3（见上文安装部分），你可以使用 KerasHub 配合 JAX、TensorFlow 和 PyTorch 中的任何一个。为此，请设置 KERAS_BACKEND 环境变量。例如：

export KERAS_BACKEND=jax

或在 Colab 中，使用：

import os
os.environ["KERAS_BACKEND"] = "jax"

import keras_hub

[!IMPORTANT] 确保在导入任何 Keras 库之前设置 KERAS_BACKEND；它将在首次导入时用于设置 Keras。

兼容性

我们遵循 语义化版本控制（Semantic Versioning），并计划为使用我们组件构建的代码和保存模型提供向后兼容性保证。在我们继续进行预发布 0.y.z 开发期间，我们可能会随时破坏兼容性，API 不应被视为稳定。

免责声明

KerasHub 通过 keras_hub.models API 提供对预训练模型的访问。这些预训练模型按“原样”提供，没有任何形式的担保或条件。以下底层模型由第三方提供，并受单独许可约束：BART, BLOOM, DeBERTa, DistilBERT, GPT-2, Llama, Mistral, OPT, RoBERTa, Whisper, 和 XLM-RoBERTa。

引用 KerasHub

如果 KerasHub 有助于你的研究，我们感谢你的引用。这里是 BibTeX 条目：

@misc{kerashub2024,
  title={KerasHub},
  author={Watson, Matthew, and Chollet, Fran\c{c}ois and Sreepathihalli,
  Divyashree, and Saadat, Samaneh and Sampath, Ramesh, and Rasskin, Gabriel and
  and Zhu, Scott and Singh, Varun and Wood, Luke and Tan, Zhenyu and Stenbit,
  Ian and Qian, Chen, and Bischof, Jonathan and others},
  year={2024},
  howpublished={\url{https://github.com/keras-team/keras-hub}},
}

致谢

感谢所有出色的贡献者！

KerasHub 快速上手指南

KerasHub 是一个简单、灵活且快速的预训练模型库，旨在为文本、图像和音频数据提供生成、分类等多种任务的内置解决方案。它基于 Keras 3 构建，支持 JAX、TensorFlow 和 PyTorch 三种后端，并可直接在 Kaggle Models 上获取预训练权重。

环境准备

• Python 版本: 建议 Python 3.11.0 及以上。
• 核心依赖: 需预先安装 Keras 3。
• 后端配置: 支持 JAX、TensorFlow 或 PyTorch。使用前需通过环境变量指定后端（见下文）。
• 数据处理: 示例中使用了 tensorflow_datasets，运行完整示例前建议安装。

安装步骤

使用 pip 安装最新版本的 KerasHub：

pip install --upgrade keras-hub

如需体验最新的夜间构建版本（Nightly Build），可运行：

pip install --upgrade keras-hub-nightly

注意：安装 KerasHub 时会自动引入 TensorFlow 以支持 tf.data 预处理 API，但这不影响您在其他后端上进行训练。

基本使用

1. 配置后端

在使用任何 Keras 库之前，必须先设置 KERAS_BACKEND 环境变量。例如选择 JAX 后端：

import os
os.environ["KERAS_BACKEND"] = "jax"  # 可选 "tensorflow" 或 "torch"

2. 导入库

import keras
import keras_hub
import numpy as np
import tensorflow_datasets as tfds

3. 图像分类示例

加载 ResNet 模型并对图片进行预测：

classifier = keras_hub.models.ImageClassifier.from_preset(
    "resnet_50_imagenet",
    activation="softmax",
)
url = "https://upload.wikimedia.org/wikipedia/commons/a/aa/California_quail.jpg"
path = keras.utils.get_file(origin=url)
image = keras.utils.load_img(path)
preds = classifier.predict(np.array([image]))
print(keras_hub.utils.decode_imagenet_predictions(preds))

4. 文本分类示例

加载 BERT 模型并在 IMDb 电影评论数据集上进行微调：

classifier = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en_uncased",
    activation="softmax",
    num_classes=2,
)
imdb_train, imdb_test = tfds.load(
    "imdb_reviews",
    split=["train", "test"],
    as_supervised=True,
    batch_size=16,
)
classifier.fit(imdb_train, validation_data=imdb_test)
preds = classifier.predict(["What an amazing movie!", "A total waste of time."])
print(preds)

---

更多详细文档、API 参考及预训练模型列表，请访问 KerasHub 官方主页。