Keras 3.0正式发布，被誉为改变了机器学习游戏规则：

不仅支持TensorFlow、PyTorch、Jax三大框架作为后端，还能在它们之间无缝切换，甚至混合使用。

Keras之父François Chollet认为，这样至少可以获得4大好处：

始终让模型获得最佳性能：

JAX通常在GPU、CPU各种PU上都最快，但不使用XLA（加速线性代数）的Tensorflow在GPU上偶尔更快。

Keras 3.0能够动态为模型提供最佳性能的后端，而无需更改代码，保证以最高效率运行。

解锁多个生态系统

任何Keras 3模型都可以作为PyTorch模块实例化，可以导出为TF的SavedModel，或者可以实例化为无状态的 JAX 函数。

这意味着可以将Keras 3模型与PyTorch生态的包，TensorFlow中的部署工具或生产工具，以及JAX大规模TPU训练基础设施一起使用，获得机器学习世界所提供的一切。

在开源社区扩大影响力

如果使用纯TensorFlow或PyTorch实现一个开源模型，都只有大约一半的人能使用。

但如果使用Keras 3，任何人无论偏好哪个框架，（即使不是 Keras 用户）都能立刻使用。在不增加开发成本的情况下，使影响力翻倍。

使用任何来源的数据管道

无论使用哪个后端，Keras 3 都能与tf.data.Dataset对象、PyTorch DataLoader对象、NumPy 数组、Pandas数据框兼容。

这意味着可以在PyTorch DataLoader上训练Keras 3 + TensorFlow模型，或在 tf.data.Dataset上训练Keras 3 + PyTorch模型。

不少人都对这一进展表示祝贺，项目参与者、谷歌高级工程师Aakash Kumar Nain认为：

Keras 3再次展示了心智模型的重要性。开发API 是一方面，而开发一个拥有出色心智模型的API则完全是另一个层次的工程实践。

也有开发者表示：

很高兴能够通过熟悉的Keras API获得框架可选性，让简单的用例变得容易，复杂的用例也成为可能。

欢迎来到多框架机器学习

Keras 3.0发布公告中开篇写到，欢迎来到多框架机器学习。

具体来说，Keras 3.0完全重写了框架API，并使其可用于TensorFlow、JAX和PyTorch。

任何仅使用内置层的Keras模型都将立即与所有支持的后端配合使用。

使用Keras 3可以创建在任何框架中都能以相同方式工作的组件，允许访问跨所有后端运行的keras.ops命名空间。

只要仅使用keras.ops中的ops，自定义层、损失、指标和优化器等就可以使用相同的代码与JAX、PyTorch和TensorFlow配合使用。这意味着只需维护一个组件实现，就可以在所有框架中使用完全相同的数值。

除此之外，还发布了用于大规模数据并行和模型并行的新分布式API，为多设备模型分片问题提供Keras风格的解决方案。

为此设计的API使模型定义、训练逻辑和分片配置完全独立，这意味可以像在单个设备上运行一样编写代码，然后在训练任意模型时将任意分片配置添加到任意模型中。

不过新的分布式API目前仅适用于JAX后端，TensorFlow和PyTorch支持即将推出。

为适配JAX，还发布了用于层、模型、指标和优化器的新无状态API，添加了相关方法。

这些方法没有任何副作用，它们将目标对象的状态变量的当前值作为输入，并返回更新值作为其输出的一部分。

用户不用自己实现这些方法，只要实现了有状态版本，它们就会自动可用。

如果从Keras 2迁移到3，使用tf.keras开发的代码通常可以按原样在Keras 3中使用Tensorflow后端运行。有限数量的不兼容之处也给出了迁移指南。

在旧版Keras 2中开发的预训练模型通常也可以在Keras 3中使用TensorFlow后端开箱即用。

如果旧版模型仅使用了Keras内置层，那么也可以在Keras 3中使用JAX和PyTorch后端开箱即用。

也有人敲警钟

在迫不及待尝试新版本的开发社区氛围中，Cohere机器学习总监Nils Reimers提出“真心希望历史不要重演”，也获得不少关注。

Reimers认为，Keras最初从支持单个后端（Theano）开始，陆续添加了Tensorflow、MXNet和CNTK等多后端。

这引发了一系列问题：

某些功能只在特定后端可用

各个后端的计算结果存在不一致：在一个后端上运行正常的代码，在另一个后端可能产生不同结果

对于开源软件开发者来说体验糟糕：你刚完成了一个自定义的 Keras层想要分享？你是否愿意为其他后端重新实现和优化它呢？

调试问题：代码在一个后端上表现完美，但在另一个后端的最新版本上却频繁出错…

随着时间推移，这些问题愈发严重：某些模块只能在 Theano 上运行良好，某些只适用于Tensorflow，还有一些模块可以在MXNet上进行推理，但无法训练…

因此，2019年Keras转向单一后端（Tensorflow），是保障这一伟大项目继续存在的关键之举。

我希望这一次的多后端能有更好的表现，但这无疑仍是一个挑战。

您是否需要等到像FlashAttention v2这样的重要特性在JAX、TensorFlow和PyTorch 上都可用后，才能在 Keras 中使用它？还是说您只能在某些特定后端中使用它？

对于未来，我们还面临着许多未解决的挑战。

— 完 —