准备试用keras-hub之前，先别急着安装；这个项目提供的是Keras 3 的预训练模型中心。对部署与运行环境任务来说，权限、依赖和环境差异会放大维护成本往往决定它能否落地，不能只用安装成功来判断。我建议在非生产环境复现一次安装与运行，重点记录依赖锁定、权限边界、日志、回滚和资源消耗，再与现有方案比较。如果团队属于愿意维护环境并重视故障恢复的工程团队，它有继续测试的理由；否则先看替代方案会更省时间。

KerasHub：多框架预训练模型

[!IMPORTANT] KerasNLP 现在是 KerasHub！ 阅读 公告。

KerasHub是一个预训练的建模库，旨在简单、灵活、 而且速度快。该库提供 Keras 3 流行模型架构的实现，搭配一系列 Kaggle 模型 上提供预训练检查点。 模型可以与文本、图像和音频数据一起使用来生成、分类、 以及许多其他内置任务。

KerasHub 是 Keras 核心 API 的扩展；提供KerasHub组件 作为 Layer 和 Model 实现。如果您熟悉 Keras， 恭喜！您已经了解了 KerasHub 的大部分内容。

所有型号均支持单个型号的 JAX、TensorFlow 和 PyTorch 定义并可以在 GPUs 和 TPUs 上进行开箱即用的微调。型号可以 接受具有内置 PEFT 技术的个人加速I器的培训，或者 通过模型和数据并行训练进行大规模微调。看看我们的 入门指南 开始学习我们的API。

快速链接

对于每个人

• 首页
• 入门
• 导轨
• API 文档
• 预训练模型

快速入门

选择后端：

import os
os.environ["KERAS_BACKEND"] = "jax"  # Or "tensorflow" or "torch"!

导入KerasHub等库：

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

加载 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 Bert 模型并在 IMDb 电影评论上对其进行微调：

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

要使用 Keras 3 安装最新的 KerasHub 版本，只需运行：

pip install --upgrade keras-hub

要安装 KerasHub 和 Keras 的最新夜间更改，您可以使用 我们的每晚套餐。

pip install --upgrade keras-hub-nightly

目前，安装 KerasHub 将始终拉动 TensorFlow 以使用 tf.data API 用于预处理。使用tf.data进行预处理时，训练 仍然可能发生在任何后端。

访问 核心 Keras 入门页面 有关安装 Keras 3、加速I器支持的更多信息，以及 与不同框架的兼容性。

配置您的后端

如果您的环境中安装了 Keras 3（请参阅上面的安装）， 您可以将 KerasHub 与 JAX、TensorFlow 和 PyTorch 中的任何一个一起使用。为此，请设置 KERAS_BACKEND 环境变量。例如：

export KERAS_BACKEND=jax

或者在 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； 首次导入时它将用于设置 Keras。

兼容性

我们遵循 语义版本控制，并计划 为代码和构建的保存模型提供向后兼容性保证 与我们的组件。在我们继续预发布 0.y.z 开发的同时，我们 可能随时破坏兼容性，APIs 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。 这些预先训练的模型按“原样”提供，不提供任何保证 或任何种类的条件。以下底层模型由第三方提供 各方，并受单独许可约束： BART、BLOOM、DeBERTa、DistilBERT、GPT-2、骆驼、米斯特拉尔、OPT、RoBERTa、耳语、 和 XLM-RoBERTa。

引用 KerasHub

如果 KerasHub 对您的研究有帮助，我们感谢您的引用。 这是 BibTeX 条目：

@misc{kerashub2024,
  title={KerasHub},
  author={Watson, Matthew, and  Chollet, Franc{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}},
}