Keras - Backend Configuration

Keras - 后端与生态系统集成

理解 Keras 与其底层计算引擎（backend）之间的关系是很有帮助的，尽管现在直接进行后端配置不如过去常见了。

历史背景：多后端支持

最初，Keras 被设计为一个 backend-agnostic（后端无关）的 API。这意味着你可以编写 Keras 代码，并选择在不同的深度学习框架上运行它，比如 TensorFlow、Theano 或 Microsoft Cognitive Toolkit (CNTK)。用户可以通过一个配置文件（~/.keras/keras.json）切换后端。

# 示例：旧的 keras.json 结构（仅供历史背景参考）
# {
#    "image_data_format": "channels_last",
#    "epsilon": 1e-07,
#    "floatx": "float32",
#    "backend": "tensorflow"  # 可以改为 "theano" 或 "cntk"
# }

在深度学习框架格局快速演变的早期，这种灵活性是一个关键优势。

当前标准：tf.keras 与 TensorFlow 集成

随着 TensorFlow 2.x 的发布，Keras 成为了 TensorFlow 的官方高层 API。现在使用的实现是 tf.keras，它与 TensorFlow 紧密集成，并只使用 TensorFlow 作为其唯一后端。

主要影响：

• **无法切换后端：**你不再通过 keras.json 切换后端。当你使用 tf.keras 时，你本质上就是在使用 TensorFlow 后端。
• 无缝生态系统：tf.keras 模型可以直接与整个 TensorFlow 生态系统集成，包括用于高效输入管道的 tf.data、用于生产级 ML 管道的 TensorFlow Extended (TFX)、用于移动/嵌入式部署的 TensorFlow Lite，以及用于可伸缩模型部署的 TensorFlow Serving。
• **性能：**利用 TensorFlow 优化的操作、图执行（通过 tf.function）和硬件加速（GPU/TPU）变得简单直接。
• **配置：**诸如浮点精度（floatx）或图像数据格式（image_data_format）之类的设置通常由 TensorFlow 的全局设置处理或推断得出，而不是单独的 Keras 配置文件。默认的 image_data_format 通常是 ‘channels_last’（(batch, height, width, channels)），这在 TensorFlow 中很常见。

检查后端设置（信息性）

虽然你不直接配置后端本身，但你可以检查由 Keras 后端模块（与 TensorFlow 接口）管理的默认设置：

import tensorflow as tf
from tensorflow.keras import backend as K

# Check the default float type
print("Default float type:", K.floatx()) # 通常是 'float32'

# Check the default image data format
print("Image data format:", K.image_data_format()) # 通常是 'channels_last'

# Check the default epsilon value (for numerical stability)
print("Epsilon:", K.epsilon()) # 通常是 1e-07

全局更改这些默认值（例如，K.set_floatx('float64')）是可能的，但通常只在你有一个特定原因并理解其影响（例如，性能、内存使用）时才建议这样做。

tf.keras.backend 的作用

tf.keras.backend 模块仍然存在，并提供低级张量操作（例如 K.dot, K.sum, K.relu）。这些函数在内部调用相应的 TensorFlow 操作。虽然你可以使用它们，但在 TensorFlow 2.x 中，为了在层或模型内部进行自定义计算，尤其是在使用模型子类化（model subclassing）或自定义层（custom layers）时，使用直接的 TensorFlow API（tf.*）通常更符合习惯。

总之，Keras 中后端配置的概念已经演变。使用 tf.keras，你是在 TensorFlow 生态系统中工作，无需管理单独的后端选择，并可深度集成 TensorFlow 的强大功能。