“Keras是YouTube Discovery新建模基础架构中的关键构建块之一。它提供了一个清晰、一致的API和一种通用的方式,可以跨YouTube推荐的主要方面向8个团队表达建模想法。”
“Keras极大地简化了Waymo的ML从业者的开发工作流,其优点是大大简化了API、标准化了接口和行为、易于共享的模型构建组件以及高度改进的可调试性。”
“关于任何软件库,你能说的最好的一点是,它选择的抽象感觉完全是自然的,这样在思考你想做什么和思考你想如何编码之间就没有摩擦。这正是你从Keras那里得到的。”
“Keras允许我们以直观和简化的方式原型化、研究和部署深度学习模型。功能API使代码易于理解和风格化,允许我的团队中科学家之间进行有效的知识传递。”
“Keras为每个用户都提供了一些东西:学术界易于定制;业界使用的现成的性能模型和管道,以及学生可读的模块化代码。Keras使快速迭代实验变得非常简单,而不必担心底层细节。”
“Keras是构建和操作深度学习模型的完美抽象层。自2018年以来,我一直在使用它为世界上一些最大的公司开发和部署模型[……]Keras、TensorFlow和TFX的组合没有对手。”
“我个人最喜欢Keras(除了其直观的API之外)的是从研究过渡到生产的简单性。我可以训练Keras模型,将其转换为TF Lite并将其部署到移动和边缘设备。”
“Keras是一个很好的地方,在那里你可以获得研究的灵活性和部署的一致性。Keras是深入学习Ubuntu对操作系统的意义。”
“Keras的用户友好设计意味着它易于学习和使用[…],它允许在各种平台上快速原型化和部署模型。”
Keras的目的是不公平优势任何希望发布基于机器学习的应用程序的开发人员。Keras关注调试速度、代码优雅和简洁性、可维护性和可部署性。当你选择Keras时,你的代码库更小,更可读,更容易迭代。你的模型运行得更快由于使用JAX和TensorFlow进行XLA编译,并且由于TensorFlow和PyTorch生态系统的服务组件,如TF serving、TorchServe、TF-Lite、TF.js等。
Keras是为人类而非机器设计的API。Keras遵循以下最佳实践减少认知负荷:它提供了一致且简单的API,它最大限度地减少了常见用例所需的用户操作数量,它还提供了清晰且可操作的错误消息。Keras还将创建优秀的文档和开发人员指南作为最高优先级。
Keras使用JAX、TensorFlow和PyTorch。它使您能够创建可以跨框架移动的模型边界,这可以从这三个框架的生态系统中受益。
Keras是一个行业优势框架可以扩展到大型GPU集群或整个TPU吊舱.这不仅是可能的;这很容易。
Keras被CERN、NASA、NIH和世界各地更多的科学组织使用(是的,凯拉斯用于LHC)。Keras具有实现任意研究想法的低级别灵活性,而提供可选的高级便利功能,加快实验周期。