指南
基于 Keras 3.15.0 官方文档（Developer guides: 自定义层 / train_step / 回调 / 分布式 / 量化与导出）+ 3.12–3.15 Release Notes 编写
速查
- 跨后端算子：
from keras import ops——完整 NumPy API +ops.softmax/ops.conv等 NN 算子，自定义组件只用 ops 才能三后端通用 - 自定义层：
__init__配置 →build(input_shape)里self.add_weight(...)建权重 →call(inputs, training=None)前向 →get_config()序列化 - 训练/推理行为分叉：
call里判training（Dropout/BatchNorm）；批级 mask 用compute_mask或Masking层 - 内置循环进阶：
fit(..., class_weight=, sample_weight=, callbacks=[...], initial_epoch=) - 多输出模型：
compile(loss={"out1": ..., "out2": ...}, loss_weights=[0.7, 0.3]) - 回调：
EarlyStopping/ModelCheckpoint/TensorBoard/ReduceLROnPlateau/LearningRateScheduler/BackupAndRestore - 自定义训练：重写
Model.train_step(data)（保留 compile/fit 便利）；或退回后端原生循环（optax / GradientTape / torch.optim） - 混合精度：
keras.mixed_precision.set_dtype_policy("mixed_float16")，输出层保持 float32 - 量化：
model.quantize("int8")；GPTQ（3.12+）用keras.quantizers.GPTQConfig - 导出：
model.export(path, format=...)——SavedModel（默认）/"onnx"/"litert"（3.13+）/"torch"（3.15+） - 分布式：
keras.distribution.DataParallel()/ModelParallel，JAX 后端功能最全 - 保存铁律：整模型
.keras；纯权重必须.weights.h5结尾；不可信存档别开 unsafe deserialization
多后端机制：一套代码怎么跑三个框架
Keras 3 的多后端不是「转译」，而是同一套 Python API 在导入时绑定到具体后端的张量实现。keras.ops 下的每个函数（ops.matmul、ops.mean、ops.conv……）在 JAX 后端就调 jax.numpy，在 Torch 后端就调 torch 算子。由此得到两条纪律：
- 自定义层/损失/指标只用
keras.ops与内置层，产物即跨后端等价（数值一致）；一旦混入tf./torch./jnp.原生调用，就锁死对应后端 - 后端在
import keras时锁定，运行时不可切换；想对比后端性能，同一脚本换KERAS_BACKEND跑三遍即可
python
from keras import ops
class MyMeanSquaredError(keras.losses.Loss):
def call(self, y_true, y_pred):
return ops.mean(ops.square(y_true - y_pred), axis=-1) # 三后端通吃互操作是双向的：Torch 后端下 Keras 层本身就是 torch.nn.Module（可直接进 PyTorch 原生模型）；反过来 TorchModuleWrapper 把任意 nn.Module 包成 Keras 层，JaxLayer/FlaxLayer（3.13 起也支持 TF 后端，经 jax2tf）嵌入 JAX 生态，TFSMLayer 加载 TF SavedModel 当层用。
Layer 与 Model 进阶
生命周期：延迟建权重
Keras 层采用延迟构建（lazy build）：__init__ 只存配置，第一次拿到真实输入形状时才建权重。自定义层显式写法：
python
class Scale(layers.Layer):
def __init__(self, init_value=1.0):
super().__init__()
self.init_value = init_value
def build(self, input_shape): # 拿到形状才建权重
self.w = self.add_weight(
shape=(input_shape[-1],),
initializer=keras.initializers.Constant(self.init_value),
trainable=True,
)
super().build(input_shape) # 标记 built=True
def call(self, inputs, training=None):
return inputs * self.w
def get_config(self): # 序列化必备
config = super().get_config()
config.update({"init_value": self.init_value})
return config- 权重即状态：
self.add_weight(trainable=True/False)——False 时是 buffer（如 BatchNorm 的 moving mean），跟随保存但不进优化器 training参数：Dropout/BatchNormalization依赖它区分行为；fit自动传 True，predict/evaluate自动传 False；手写model(x)默认 False，想走训练行为要model(x, training=True)seed_generator：3.x 推荐keras.random.SeedGenerator管理随机性，保证跨后端可复现- 手动触发构建：
model.build(input_shape)或先跑一次假数据，否则model.summary()/save_weights在子类模型上会报「未构建」
Model = 可当层用的 Layer
keras.Model 继承自 Layer，所以模型可以嵌套：一个大模型里塞另一个完整模型当子模块，fit 照常端到端训练。Functional 模型还自带图结构内省（model.nodes、keras.utils.plot_model）。
fit 进阶用法
回调（Callbacks）：训练过程的钩子系统
python
callbacks = [
keras.callbacks.EarlyStopping(
monitor="val_loss", patience=5, restore_best_weights=True),
keras.callbacks.ModelCheckpoint(
"best.keras", monitor="val_acc", save_best_only=True),
keras.callbacks.ReduceLROnPlateau(factor=0.5, patience=2, min_lr=1e-6),
keras.callbacks.TensorBoard(log_dir="logs"),
keras.callbacks.BackupAndRestore(backup_dir="ckpt"), # 断点续训兜底
]
history = model.fit(x, y, epochs=100, validation_split=0.1, callbacks=callbacks)EarlyStopping.restore_best_weights=True：停训后回滚到最优权重，常用但常被忘- 自定义回调继承
keras.callbacks.Callback，钩子：on_epoch_end、on_batch_begin、on_train_end等 BackupAndRestore只在各后端均可用的场景有效，配合initial_epoch可手动续训
加权与多输出
python
# 类别不均衡
model.fit(x, y, class_weight={0: 1.0, 1: 5.0}, epochs=10)
# 多输出模型：损失 dict + 权重
model.compile(
optimizer="adam",
loss={"score": "mse", "cls": "categorical_crossentropy"},
loss_weights={"score": 0.3, "cls": 0.7},
metrics={"cls": ["accuracy"]},
)
model.fit(x, {"score": y_score, "cls": y_cls}, epochs=10)自定义训练：两个层级
层级一：重写 train_step（保留 compile/fit 生态）
GAN、对比学习等「每步逻辑特殊但仍想要进度条/回调/指标聚合」的场景：
python
class GAN(keras.Model):
def train_step(self, data):
real = data
# 自定义梯度逻辑：用后端无关的方式拿梯度
with tf.GradientTape() as tape: # TF 后端写法示意；跨后端见下
loss = self.compute_loss(x=real, y=real, y_pred=self(real, training=True))
grads = tape.gradient(loss, self.trainable_variables)
self.optimizer.apply_gradients(zip(grads, self.trainable_variables))
for m in self.metrics:
m.update_state(real, self(real))
return {m.name: m.result() for m in self.metrics}注意：tf.GradientTape 只在 TF 后端有效。跨后端的自定义 train_step 应使用 Keras 3 的后端无关梯度 API 模式（按当前后端分发），或者接受单后端限制。3.15 起多优化器场景可直接用内置的 MultiOptimizer（不同子网络挂不同优化器），不必手写 train_step。
层级二：后端原生训练循环（完全控制）
Keras 模型可直接进任意后端的原生循环，变量、损失、指标全部暴露：
- JAX：
model.stateless_call+jax.grad+optax优化器，jax.jit/jax.pmap加速 - TensorFlow：
tf.GradientTape+tf.distribute - PyTorch：模型即
nn.Module，torch.optim+ DDP 包装即可
这是 Keras 3 的设计承诺：组件离开 fit 依然是一等公民。
混合精度与量化
python
# 混合精度：一行全局策略（计算 float16、变量 float32）
keras.mixed_precision.set_dtype_policy("mixed_float16")
# 输出层建议显式 float32，保数值稳定
outputs = layers.Dense(10, activation="softmax", dtype="float32")(x)
# 训练后量化（3.12+）：int8 / int4 / GPTQ
model.quantize("int8")
from keras.quantizers import GPTQConfig
config = GPTQConfig(dataset=calib_ds, weight_bits=4, group_size=128)
model.quantize("gptq", config=config)3.13 起 QuantizationConfig 支持按层定制量化器，Model.quantize 的 filters 参数可用正则选层。
导出与部署
model.export(path, format=...) 统一出口（与 fit 所用后端解耦）：
| format | 产物 | 引入版本 | 说明 |
|---|---|---|---|
| （默认） | TF SavedModel | 3.0 | 接 TF-Serving / TF.js |
"onnx" | ONNX 图 | 3.x | 接 ONNX Runtime / TensorRT |
"litert" | LiteRT（原 TFLite） | 3.13 | 端侧推理；需安装 TF |
"torch" | 原生 nn.Module | 3.15 | 交 PyTorch 生态继续训练/部署 |
注意区分：
model.save()存的是可续训的 Keras 模型；model.export()出的是推理/交付格式。
分布式：keras.distribution
3.0 引入的分布 API 把「模型定义 / 训练逻辑 / 分片配置」解耦，JAX 后端功能最全（ModelParallel 在 3.15 持续增强）：
python
from keras import distribution
# 数据并行（最简单，等价于 DDP 语义）
dp = distribution.DataParallel(devices=devices)
# 模型并行：DeviceMesh + LayoutMap 按层指定分片
mesh = distribution.DeviceMesh(shape=(2, 4), axis_names=("data", "model"))TPU 大规模训练选 JAX 后端 + distribution 是当前官方主推路线。
陷阱与最佳实践清单
- 后端不可运行时切换：
import keras后改KERAS_BACKEND无效且不会报错提示，重启进程才行 - TF 2.15 覆盖安装：
pip install tensorflow==2.15会装上keras==2.15覆盖你的 Keras 3——事后重装 Keras 3 - 自定义层忘记
get_config：model.save()时在反序列化环节报错，养成写完层就补get_config的习惯 - 子类模型没 build 就 summary/save：先
model.build(input_shape)或跑一批假数据 model(x)默认training=False：调试训练行为时 Dropout/BN 不生效的诡异现象多源于此- 加载不可信
.keras/.h5：3.12–3.15 的连环安全补丁（HDF5 外链、tar 穿越、shape bomb、Lambda 反序列化 fail-closed）说明攻击面真实存在——生产环境只加载可信来源，必要时safe_mode保持默认 save_weights文件名：必须*.weights.h5结尾，否则直接报错- KerasHub 会拉 TensorFlow：仅因预处理复用
tf.data，训练仍在所选后端，不要误判为后端被劫持