Keras 多后端深度学习 API Python 访问官网 ↗

深度学习工具链专题 · 成稿于 2026-08-25 · 附官方仓库、论文与发布记录出处

为「人」设计的深度学习接口：Keras 十年演进与多后端新格局

实体定义：Keras 是一个用 Python 编写的开源深度学习高级 API，2015 年由当时任职于谷歌的工程师 François Chollet 创建，现以 Keras 3 的形态同时运行于 TensorFlow、JAX 与 PyTorch 三种后端之上[1][2]。它的定位从来不是替代底层框架，而是把底层框架的算力包装成人人可读的接口——官方称之为「面向人类的深度学习」。

Keras 的核心设计原则之一是「复杂度的渐进式披露」（progressive disclosure of complexity）：新手五行为能跑通第一个模型，专家需要时又能下钻到每一层的细节。

——转述自 keras.io 官方文档对设计理念的说明[1]

起源故事：2015 年的那个副业项目

把时间拨回 2014 年底到 2015 年初：深度学习正在复苏，但 Theano 的代码晦涩、Caffe 配置繁琐，普通开发者想训练一个神经网络，往往要先跟框架搏斗一周。时任谷歌工程师的 François Chollet 决定做一个「自己愿意日常使用」的封装层：模型像乐高一样按层拼装，编译训练只需一行 compile。项目于 2015 年春开源，名字取自希腊语中的「号角」（κέρας）一词。

这个副业项目的增长速度超出了所有人的预期：凭借极简的函数式 API 和近乎零成本的入门体验，Keras 迅速成为学术界教学演示的首选，也长期位居 GitHub 上星标数量最多的深度学习框架之列[2][4]。Chollet 本人也因此声名鹊起——他后来写出的《Deep Learning with Python》成为一代入门者的标准教材，2019 年提出的抽象推理基准 ARC 则引发了此后持续多年的「衡量真正智能」大讨论[5][7]。

回看这段历史会发现一个有趣的规律：Keras 的每次跃迁都踩在行业转折点上。它不是最早的框架，却总能在框架战争的关键节点上，把自己变成那个「所有人都先用它入门」的友好层。

API 设计哲学拆解：三条支柱撑起友好层

Sequential 顺序式

层从上到下一摞到底，适合教科书式的直连网络。初学者的第一行 Keras 代码几乎都从这里开始。

Functional 函数式

把层当函数调用、任意分叉合并，多输入多输出与残差连接都能自然表达，是工程实践中使用率最高的写法。

Subclassing 子类化

继承 Model 类手写前向逻辑，为研究型需求保留完全的自由度，也完成了向 Python 原生风格的靠拢。

三套 API 共享同一套 Layer 与 Model 抽象，可以按需混搭，这正体现了「渐进式披露复杂度」：同一份知识结构覆盖从入门到科研的全谱段，而不必中途换框架重学。模块化、可扩展、纯 Python 实现，这三条在项目早期 README 里写下的原则，十年间几乎没有动摇过。

友好层 strategy 的另一块拼图是预训练生态。早在深度学习还属小众的年代，Keras 就把 VGG、ResNet 等经典网络做成一行代码即可加载的内置应用，权重自动下载，迁移学习从论文里的操作变成了初学者十分钟就能跑通的实验。后来陆续出现的视觉与文本领域库延续了这个思路：把成熟模型连同预处理逻辑一起封装好，让使用者专注于业务数据而不是工程细节。对个人学习者而言，这意味着入门曲线足够平缓；对团队而言，这意味着新人交接成本显著低于自研一套底层封装。

多后端演进线：从 Theano 到 TF、JAX 与 PyTorch

  • 2015独立项目起步，Theano 打底

    首版以 Theano 为计算后端；同年年底谷歌开源 TensorFlow 后，Keras 很快加入了对 TF 的支持，用户量随之起飞。

  • 2017进入 TensorFlow 官方仓库

    TensorFlow 1.4 起内置 tf.keras 模块，Keras 从「第三方封装」升格为官方高级 API 的候选[6]。

  • 2019TF 2.0 时代：Keras 成为默认接口

    TensorFlow 2.0 把 Keras 确立为主要的高级 API，「import tensorflow as tf; model = tf.keras.Sequential(...)」成为全球教程的标准开头。

  • 2023Keras 3 发布：一次彻底的多后端重写

    年初以 Keras Core 名义试水，11 月正式发布 Keras 3.0：代码全部重写，同一套模型定义可无缝切换 JAX、TensorFlow 或 PyTorch 执行[3]。后续版本还陆续引入了更多实验性后端，细节以官方文档为准。

  • 2024 之后生态整合期

    官方将计算机视觉与自然语言处理两大领域库逐步整合进统一的 KerasHub 体系（沿革以 keras-team 组织下的仓库说明为准），框架重心从「能跑」转向「开箱即用的预训练资产」。

这条演进线的底层逻辑值得玩味：框架战争打到最后，胜负手不再是执行速度本身，而是谁的接口能同时兼容多个引擎。Keras 3 的答案是把「写模型的语法」和「跑模型的引擎」彻底解耦——研究阶段用 JAX 求快，部署时切到 TF 或 PyTorch 求稳，代码一行不改。

入门代码示例块：五行核心逻辑

// 一个可直接运行的 Keras 3 手写数字分类网络（MNIST）

import keras
from keras import layers

model = keras.Sequential([
    layers.Input(shape=(28, 28)),
    layers.Flatten(),
    layers.Dense(128, activation="relu"),
    layers.Dropout(0.2),
    layers.Dense(10, activation="softmax"),
])
model.compile(
    optimizer="adam",
    loss="sparse_categorical_crossentropy",
    metrics=["accuracy"],
)
model.fit(x_train, y_train, epochs=5, validation_split=0.1)

这段代码不依赖任何特定后端语法：无论底下是 TensorFlow、JAX 还是 PyTorch，模型定义完全一致。想切换引擎，只需在导入前设置环境变量或调用相应接口指定 backend，这正是 Keras 3 主打的「一次编写、多端运行」。

给初学者一个务实的建议：不要在框架选型上过度消耗时间。先用这套五行模板把数据读入、训练、验证的完整闭环跑通，理解每一行在做什么，再回头调整网络结构。深度学习真正的难点从来不在 API 语法的记忆量，而在于数据质量、验证设计与对业务指标的理解——这些能力在任何框架里都是通用的。

学习资源清单：按顺序学效率最高

官方开发者指南从基础工作流到自定义层与多后端说明，第一站 GitHub 代码仓库源码、示例与 issue 区，遇到报错先来这里搜 Keras 官方博客经典实战文章与版本动态的第一发布渠道 《Deep Learning with Python》作者亲写的系统教材，第二版覆盖新工作流 TensorFlow 官方 Keras 指南TF 场景下使用 Keras 的权威中文/英文文档 ARC Prize 官网了解作者对通用智能的思考与前沿评测进展

常见问题

Keras 和 TensorFlow 是什么关系？

Keras 是独立的高级 API 项目，自 2017 年起被集成进 TensorFlow，并在 TF 2.0 中成为默认高级接口；Keras 3 之后它又同时支持 JAX 和 PyTorch，因此可以理解为「跑在多家引擎之上的标准建模语言」[6]。

Keras 3 支持哪些后端？该怎么选？

目前官方支持 TensorFlow、JAX 与 PyTorch 三大后端，后续还加入了实验性后端。经验法则：追求快速实验选 JAX，看重部署生态选 TensorFlow，团队已有 PyTorch 资产就选 PyTorch；最新支持列表以官网为准[1]。

新手应该从 Sequential 还是函数式 API 入手？

从 Sequential 入手建立直觉，第二个模型就改用函数式 API 写。函数式写法覆盖了实际工程中绝大多数网络结构，学会它基本就够了；子类化留到需要特殊前向逻辑时再学。

Keras 适合生产环境吗？

适合。它长期运行在大量互联网公司的推荐与视觉系统中，Keras 3 的多后端设计还允许训练与部署使用不同引擎。生产可用性最终取决于所选后端的工程配套，而非 Keras 这一层本身。

直接学 PyTorch 是不是更好？

如果目标是科研且课题组主用 PyTorch，直接学 PyTorch 没问题；如果目标是快速做出能用的模型、或在多框架团队间迁移，先掌握 Keras 的成本更低。两者并不互斥——Keras 3 本身就能把模型跑在 PyTorch 之上[2]。

参考资料

青衣网络 AI 观察团队 · 最后更新 2026-08-25