机器之心报道
编辑：杜伟、小舟
以后在本地运行 Keras Bazel 测试将不再花费几小时，只需要几分钟。
对于深度学习领域的从业者而言，Keras 肯定不陌生，它是深度学习的主流框架之一。2015 年 3 月 27 日，谷歌软件工程师、Keras 之父 Francois Chollet 在其 GitHub 上提交并公布了 Keras 的首个版本。作为使用纯 Python 编写的深度学习框架，Keras 的代码更加简单方便，适用于初学者。此外，Keras 具有很强的易扩展性，能够直观地定义神经网络，函数式 API 的使用令用户可以将层定义为函数。
Keras 官网地址：https://keras.io/
为了训练自定义神经网络，Keras 需要一个后端，在 v1.1.0 版本之前，Keras 的默认后端都是 Theano。2015 年 11 月 9 日，谷歌发布了 TensorFlow。Keras 开始支持 TensorFlow 作为后端。渐渐地，TensorFlow 成为最受欢迎的后端，并从 Keras v1.1.0 发行版开始成为它的默认后端。tf.keras 正是在 TensorFlow v1.10.0 中引入的，这是将 Keras 直接集成到 TensorFlow 包中的第一步。
当谷歌在 2019 年 6 月发布 TensorFlow 2.0 时，他们宣布 Keras 成为 TensorFlow 的官方高级 API。并且，在 Keras 2.3.0 版本发布时，Francois 表示这是 Keras 首个与 tf.keras 同步的版本，也是 Keras 支持 Theano 等多个后端的最终版本。所有深度学习从业者都应将其代码转换成 TensorFlow 2.0 和 tf.keras 软件包。这意味着二者的合并，但看似双赢的决定，很多开发者却不买账。API 的混乱与割裂不仅令开发者不知所措，也加大了开发者寻找教程的难度。
是时候做出改变了！近日，Keras 之父 Francois Chollet 在其推特宣布一项重要决定：他们已经将 Keras 的代码从 TensorFlow 代码库中分离出来，移回到了自己的 repo。
对于 Keras 从 TensorFlow 分离后有哪些好处？Francois 表示：「这将提升开源贡献者的开发体验。对于用户而言，这将使他们可以在本地运行测试，不再需要编译 TF 来测试 Keras 了，并且还将改善 CI 时间。」
Keras 正式从 TensorFlow 代码库中分离
此次 Keras 分离过程的负责人是谷歌高级软件工程师 Scott Zhu，他代表 Keras 团队向所有 Keras 用户发表了公开声明，解释了 Keras 从 TensorFlow 代码库中分离出来的缘由以及分离后为用户带来的诸多便利之处。
开发团队花费了很多精力使 TensorFlow 更加模块化，并优化了 Keras 和 TensorFlow 之间的依赖关系。最终 Keras 从 TensorFlow 代码库中分离出来，并拥有了自己独立的代码库。这使 Keras 能够使用 Tensorflow Python API 作为 PIP 包依赖项，且无需在构建和测试时编译 TensorFlow。因此现在在本地运行 Keras Bazel 测试只需要几分钟，而不是几小时。
变更之后，当前 TensorFlow 代码库中的 Keras 部分将很快被删除。这意味着：
1. Keras 开源代码库的访问地址将发生变更；
原地址：https://github.com/tensorflow/tensorflow
新地址：https://github.com/keras-team/keras
2. 经过许可之后，原代码库中 Keras 部分的相关 PR 将被手动合并到新代码库中。Keras 团队成员将在内部进行同步和合并，相关作者无需进行任何操作。但如果 PR 已经打开很长时间且没有作者的活动，Keras 团队可能会关闭它；
3. 任何在先前代码库中未解决的 Keras 相关活跃问题将在现有的 ticket 线程中处理，并将通过提交到新代码库进行修复；
4. 与原代码库相关的陈旧问题将被关闭。如果你认为仍然是有价值的问题，请随时在新代码库中重新打开该问题；
5. 新 Keras 代码库在此次变更前未完成的任何 PR/issue 都被认为是陈旧的，将被关闭。
用户想要提交贡献，如何做？
用户在提交自己的代码以供审查并获得批准时，必须签署谷歌个人贡献者许可协议（CLA），这样才可以将代码放入 Keras 代码库中。此外，在提交更多的贡献时，用户也应首先通过问题跟踪器（issue tracker）与 Keras 联系沟通。
包括项目成员在内所有用户的提交都必须接受审查。为此，Keras 使用 GitHub 拉取请求（pull request, PR），并建议用户在创建 PR 之前阅读相关指南。
完成本地更改并通过测试验证后，用户可以在 keras-team/keras 项目中打开并发送 PR，之后会经过一系列的测试来验证它的正确性。一旦 PR 被审查者测试和批准，PR 将被镜像到谷歌内部存储库。一旦合并到 Google 内部存储库成功完成，PR 还将被标记为已合并（merged）。这与 Tensorflow OSS 的贡献流程相同，相关示例如下图所示：
在做任何更改之前，Keras 团队建议用于打开 issue，并在上面讨论。Keras 也会给予反馈并对用户提出的更改进行验证。如果更改很小，如文档修复中简单的 bug 修复，则只需打开 PR 无需讨论。
与个人用户不同，企业用户提交的贡献需要遵守《谷歌软件授权与企业贡献者许可协议》。
开发所需的工具
使用 Keras 开发所需要的工具主要包括如下：
用于创建和测试 Keras 项目的 Bazel 工具和 Python；
用于代码库管理的 git 工具。
设置和检查本地工作区
以苹果 Mac 电脑（Linux 系统的配置非常相似）为例，使用如下命令设置并检查本地工作区的配置：
下载 Keras 代码和设置虚拟环境
Python 虚拟环境是创建独立环境的强大工具，可以将任何系统级配置的更改隔离开来。因此，Keras 强烈建议避免出现任何意外的依赖或版本问题。
本地运行测试
在本地运行一个测试的代码如下：
最后为大家推荐一篇 Keras 的中文教程，它由 Keras 团队软件工程师金海峰翻译自官网教程，详细介绍了 Keras 和 TensorFlow 的基本用法和核心概念，并通过变分自编码器（Variational Autoencoder）和超网络（Hypernetwork）这两个完整的例子展示了如何在实践中使用 Keras。
教程知乎链接：https://zhuanlan.zhihu.com/p/380472423
参考链接：
https://github.com/qlzh727
https://zhuanlan.zhihu.com/p/364670970
https://www.jiqizhixin.com/articles/2021-04-02-6
https://docs.github.com/en/github/collaborating-with-pull-requests/proposing-changes-to-your-work-with-pull-requests/about-pull-requests
基于深度学习的蛋白质结构预测
6月17日，机器之心特别邀请到许锦波教授作客最新一期「蛋白质结构预测系列技术直播」，为大家带来他关于基于深度学习的蛋白质结构预测的经验和思考。
