Ačkoliv hluboké neuronové sítě jsou stále velice populární, komplexnost hlavních frameworků zůstává bariérou pro jejich častější využívání vývojáři, kteří do tajů strojového učení teprve pronikají. Padlo několik návrhů pro zlepšení a zjednodušení vysokoúrovňových API pro tvorbu modelů neuronových sítí. Všechny jsou si navenek podobné, ale při bližším ohledání se objeví rozdíly.
Keras patří mezi nejpopulárnější vysokoúrovňové API pro hluboké neuronové sítě. Je napsán v Pythonu a podporuje back-endová výpočetní jádra neuronových sítí.
Jak Keras funguje?
Kerad zdánlivě ostatní aplikační rozhraní hlubokých neuronových sítí porazil: stal se totiž vysokoúrovňovým standardem pro nadcházející TensorFlow 2.0.
Základním principem vzniku Kerasu byla jednoduchost, modularita, snadná rozšiřitelnost a kompatibilita s Pythonem. Keras vznikl „pro člověka, ne pro stroj a řídí se nejlepšími metodami pro snížení kognitivní zátěže“.
Samozřejmostí je přidávání nových modulů, definovaných v Pythonu.
Jedním z hlavních důvodů, proč Keras používat, je jeho důraz na to, aby zůstal uživatelsky přívětivým. Keras se dá snadno naučit a začít se stavbou modelů je rovněž nepříliš těžké, je navíc dostupný na velkém množství platforem: integrován je minimálně u pěti back-end jader (TensorFlow, CNTK, Theano, MXNet a PlaidML) a podporuje vícero GPU.
Keras je navíc také podporován řadou velkých IT korporací v čele s Googlem, Microsoftem, Amazonem, Applem, Nvidií, Uberem a dalšími.
PŘEDPLATNÉ
ČLÁNKY DO MAILU