无
入门 开发者指南 函数式 API 顺序模型 通过子类化创建新层和模型 使用内置方法进行训练和评估 使用 JAX 自定义 `fit()` 使用 TensorFlow 自定义 `fit()` 使用 PyTorch 自定义 `fit()` 使用 JAX 编写自定义训练循环 使用 TensorFlow 编写自定义训练循环 使用 PyTorch 编写自定义训练循环 序列化和保存 自定义保存和序列化 编写自己的回调函数 迁移学习和微调 使用 JAX 进行分布式训练 使用 TensorFlow 进行分布式训练 使用 PyTorch 进行分布式训练 使用 Keras 3 进行分布式训练 将 Keras 2 代码迁移到 Keras 3 如何使用 Keras 与 NNX 后端 Keras 中的 Orbax 检查点 Keras 中的量化 Keras 中的 8 位整数量化 Keras 中的 4 位整数量化 Keras 中的 GPTQ 量化 编写 Keras 中兼容量化的层 代码示例 Keras 3 API 文档 Keras 2 API 文档 KerasTuner:超参数调优 KerasHub:预训练模型 KerasRS
keras.io logo
  • 快速入门
  • 指南
  • API
  • 示例
  • Keras Tuner
  • Keras RS
  • Keras Hub
开发者指南
函数式 API 顺序模型 通过子类化创建新层和模型 使用内置方法进行训练和评估 使用 JAX 自定义 `fit()` 使用 TensorFlow 自定义 `fit()` 使用 PyTorch 自定义 `fit()` 使用 JAX 编写自定义训练循环 使用 TensorFlow 编写自定义训练循环 使用 PyTorch 编写自定义训练循环 序列化和保存 自定义保存和序列化 编写自己的回调函数 迁移学习和微调 使用 JAX 进行分布式训练 使用 TensorFlow 进行分布式训练 使用 PyTorch 进行分布式训练 使用 Keras 3 进行分布式训练 将 Keras 2 代码迁移到 Keras 3 如何使用 Keras 与 NNX 后端 Keras 中的 Orbax 检查点 Keras 中的量化 Keras 中的 8 位整数量化 Keras 中的 4 位整数量化 Keras 中的 GPTQ 量化 编写 Keras 中兼容量化的层
► 开发者指南

开发者指南

我们的开发者指南深入探讨了诸如层子类化、微调或模型保存等特定主题。它们是成为 Keras 专家的最佳途径之一。

我们的许多指南都以 Jupyter notebook 的形式编写,并且可以在 Google Colab 中一键运行。Google Colab 是一个托管的 notebook 环境,无需任何设置即可在云端运行,并包含 GPU 和 TPU 运行时。

可用指南

  • 函数式 API
  • 顺序模型
  • 通过子类化创建新层和模型
  • 使用内置方法进行训练和评估
  • 使用 JAX 自定义 `fit()`
  • 使用 TensorFlow 自定义 `fit()`
  • 使用 PyTorch 自定义 `fit()`
  • 使用 JAX 编写自定义训练循环
  • 使用 TensorFlow 编写自定义训练循环
  • 使用 PyTorch 编写自定义训练循环
  • 序列化和保存
  • 自定义保存和序列化
  • 编写自己的回调函数
  • 迁移学习和微调
  • 使用 JAX 进行分布式训练
  • 使用 TensorFlow 进行分布式训练
  • 使用 PyTorch 进行分布式训练
  • 使用 Keras 3 进行分布式训练
  • 将 Keras 2 代码迁移到 Keras 3
  • 如何使用 Keras 与 NNX 后端
  • Keras 中的 Orbax 检查点
  • Keras 中的量化
  • Keras 中的 8 位整数量化
  • Keras 中的 4 位整数量化
  • Keras 中的 GPTQ 量化
  • 编写 Keras 中兼容量化的层
开发者指南
可用指南
条款
|
隐私