keras-io

GitHub
3k 2.1k 简单 1 次阅读 4天前Apache-2.0开发框架
AI 解读 由 AI 自动生成,仅供参考

keras-io 是官方 Keras 文档网站(keras.io)的开源生成器与内容仓库。它不仅仅是一个静态网页托管项目,更是一套自动化文档构建系统,能够将 Python 脚本、Jupyter 笔记本和 Markdown 文件统一转化为格式精美、可交互的技术教程。

这一工具主要解决了深度学习文档维护中常见的“多格式不一致”难题。通过其独特的"Tutobook"机制,开发者只需维护一份 Python 源代码(其中文本说明以特定格式的注释块存储),系统即可自动同步生成对应的网页文档、可执行笔记本和源码文件。这种“单一事实来源”的工作流极大地降低了文档更新成本,确保了代码示例在不同展示形式下的准确性与一致性。

keras-io 非常适合 Keras 框架的开发者、研究人员以及技术文档撰写者使用。对于希望贡献高质量代码示例的社区成员,它提供了清晰的贡献指南和自动化转换脚本(如 nb2py),支持从现有的 Jupyter 笔记本快速迁移或从头编写新教程。此外,项目还支持基于 Docker 的本地部署,让用户能轻松在本地搭建完整的文档预览环境,便于在提交前验证效果。无论是修复拼写错误还是添加复杂的深度学习案例,keras-io 都提供了一套规范且高效的协作流程。

使用场景

某深度学习团队正在开发一套新的图像分割模型,急需将内部验证成功的实验代码转化为对外公开的技术教程,以便社区复现和反馈。

没有 keras-io 时

  • 格式维护繁琐:工程师需手动同步维护 Jupyter Notebook、Python 脚本和 Markdown 文档三种格式,极易出现内容不一致或版本冲突。
  • 渲染效果不可控:缺乏统一的生成机制,导致代码示例在网页上的展示风格杂乱,数学公式和图表经常无法正常显示。
  • 协作流程混乱:贡献者不清楚应提交哪种文件格式,审查人员需反复核对多个衍生文件,大幅拉长了新案例的上架周期。
  • 本地预览困难:在没有完整构建环境的情况下,开发者难以在本地快速预览文档最终效果,只能依赖线上部署试错。

使用 keras-io 后

  • 单一信源管理:利用"tutobook"机制,团队仅需维护一个带特殊注释的 Python 脚本,keras-io 自动将其转换为 Notebook、Markdown 及精美网页。
  • 标准化输出:通过内置的 autogen.py 脚本,所有代码示例自动获得一致的排版风格、语法高亮和交互式运行环境。
  • 高效贡献流程:外部开发者只需提交 .py 源文件,keras-io 自动生成其余衍生文件,显著降低了 PR 审查难度和合并时间。
  • 便捷本地调试:支持通过 Docker 或简单命令一键启动本地文档服务器,让作者在提交前即可实时预览并修正渲染问题。

keras-io 通过将文档编写简化为“编写单一 Python 脚本”,彻底解决了多格式同步难题,极大提升了深度学习知识分享的效率与质量。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

非必需(文档明确说明不需要 GPU 版本的 Docker,示例代码可配置为无加速器或使用 GPU/TPU)

内存

未说明

依赖
notes该工具用于生成 keras.io 网站文档。支持通过原生 Python 环境或 Docker 运行。若使用 Docker,无需 GPU 版本。新增或修改示例时,仅需编辑 .py 源文件,其他格式(.md, .ipynb)由脚本自动生成。示例代码应保持轻量级以避免生成超时。
python未说明
keras
requirements.txt 中列出的库(具体列表需查看文件,文中未展开)
keras-io hero image

快速开始

Keras.io 文档生成器

此仓库托管用于生成 keras.io 网站的代码。

生成网站的本地副本

pip install -r requirements.txt
# 更新 Keras 版本
pip install -U keras
cd scripts
python autogen.py make
python autogen.py serve

如果您有 Docker(不需要 GPU 版本的 Docker),也可以运行以下命令:

docker build -t keras-io . && docker run --rm -p 8000:8000 keras-io

首次运行时会花费一些时间,因为需要拉取镜像和依赖项,但后续运行会快得多。

另一种使用 Docker 测试的方法是通过我们的 Makefile:

make container-test

该命令将构建一个包含文档服务器的 Docker 镜像并运行它。

征集示例

您是否有兴趣提交新的示例以在 keras.io 上发布?我们非常欢迎您的贡献!请阅读下方关于添加新代码示例的信息。

我们目前对 [以下示例] 感兴趣:链接

修复现有代码示例中的问题

修正拼写错误

如果您的修复非常简单,请同时更新示例的 .py.md.ipynb 文件,并提交一个 PR。

更复杂的修复

对于较大的修复,请仅提交包含 .py 文件的 PR,以便在代码经过审查并批准后,再更新另外两个文件。

添加新的代码示例

Keras 代码示例以 教程书 的形式实现。

教程书是一种脚本,可以同时以笔记本、Python 文件以及美观渲染的网页形式呈现。

其真实来源(用于手动编辑和版本控制)是 Python 脚本形式,但您也可以从笔记本开始,使用 nb2py 命令将其转换为教程书。

文本单元存储在 Markdown 格式的注释块中。第一行(以 """ 开头)可以选择性地包含特殊标注,例如:

  • shell: 在每行前加上 ! 后执行该块。
  • invisible: 不渲染该块。

脚本应以包含以下字段的头部开始:

Title: (标题)
Author: (也可以是 `Authors`,并可包含 Markdown 链接)
Date created: (日期格式为 yyyy/mm/dd)
Last modified: (日期格式为 yyyy/mm/dd)
Description: (一行文本描述)
Accelerator: (可以是 GPU、TPU 或 None)

要查看教程书的示例,您可以查看 examples/guides/ 中的任何 .py 文件。

ipynb 文件创建新示例

  1. ipynb 文件保存到本地磁盘。
  2. 运行以下命令将文件转换为教程书(假设您位于 scripts/ 目录下):
python tutobooks.py nb2py path_to_your_nb.ipynb ../examples/vision/script_name.py

这将创建文件 examples/vision/script_name.py

  1. 打开文件,填写头部信息,并进行整体编辑,使其看起来整洁美观。

请注意,转换脚本在尝试缩短行时可能会出错。请务必完整校对生成的 .py 文件。或者,您也可以一开始就保持代码行长度合理(<90 字符),这样脚本就不必对其进行缩短。

  1. 运行 python autogen.py add_example vision/script_name。这将生成您示例的 IPython 笔记本和 Markdown 渲染版本,并在 examples/vision/ipynbexamples/vision/mdexamples/vision/img 中创建文件。请勿手动修改这些文件;只有原始 Python 脚本才应被手动编辑。
  2. 提交一个 PR,添加 examples/vision/script_name.py(仅 .py 文件,不包括生成的文件)。等待审查和批准。
  3. 一旦 PR 被批准,将 add_example 命令生成的文件添加到 PR 中,然后我们将合并 PR。

从 Python 脚本创建新示例

  1. 使用 black 格式化脚本:black script_name.py
  2. 添加教程书头部。
  3. 将脚本放入 examples/ 中的相关子文件夹(例如 examples/vision/script_name)。
  4. 运行 python autogen.py add_example vision/script_name。这将生成您示例的 IPython 笔记本和 Markdown 渲染版本,并在 examples/vision/ipynbexamples/vision/mdexamples/vision/img 中创建文件。请勿手动修改这些文件;只有原始 Python 脚本才应被手动编辑。
  5. 提交一个 PR,添加 examples/vision/script_name.py(仅 .py 文件,不包括生成的文件)。等待审查和批准。
  6. 一旦 PR 被批准,将 add_example 命令生成的文件添加到 PR 中,然后我们将合并 PR。

预览新示例

您可以通过运行以下命令,在本地预览示例的外观:

cd scripts
python autogen.py add_example vision/script_name

(假设教程书文件是 examples/vision/script_name.py。)

请注意,如果任何单元格执行时间过长,该命令将会报错。在这种情况下,请简化或加快您的代码。请记住,示例旨在演示工作流程,而非训练最先进的模型,因此它们应保持非常轻量级。

然后启动网站服务:

python autogen.py make
python autogen.py serve

访问 0.0.0.0:8000/examples 即可查看。

只读自动生成文件

以下文件夹的内容不应手动修改:

  • site/*
  • sources/*
  • templates/examples/*
  • templates/guides/*
  • examples/*/md/*examples/*/ipynb/*examples/*/img/*
  • guides/md/*guides/ipynb/*guides/img/*

可编辑文件

以下文件才是唯一应手动编辑的文件:

  • templates/*.md,但 templates/examples/*templates/guides/* 除外。
  • examples/*/*.py
  • guides/*.py
  • theme/*
  • scripts/*.py

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|1周前
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|1周前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

159.3k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

108.3k|★★☆☆☆|1周前
开发框架图像Agent

gemini-cli

gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。

100.8k|★★☆☆☆|1周前
插件Agent图像

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器

93.4k|★★☆☆☆|1周前
插件开发框架