参考
基于 Keras 3.15.0 官方 API 文档 + GitHub Releases（3.12–3.15）+ keras.io 兼容矩阵整理
速查
- 建模：
Sequential/Model(inputs, outputs)/ 子类化Layer·Model（build+call+get_config） - 训练：
compile→fit→evaluate/predict；自定义逻辑重写train_step - 层入口：
keras.layers.*百余内置层；自定义算子走keras.ops.* - 损失/指标/优化器：
keras.losses.*/keras.metrics.*/keras.optimizers.*，字符串别名可直传 compile - 回调：
EarlyStopping/ModelCheckpoint/TensorBoard/ReduceLROnPlateau/BackupAndRestore - 保存：
model.save("m.keras")/keras.saving.load_model/save_weights("w.weights.h5") - 导出：
model.export(path, format="onnx"|"litert"|"torch")，默认 SavedModel - 后端：
KERAS_BACKEND=jax|tensorflow|torch（import 前设定）；keras.backend.backend()查询 - 预训练：
keras_hub.models.*.from_preset()（KerasNLP 已更名 KerasHub） - 版本：稳定版 3.15.0（2026-06）；Python ≥ 3.11（3.13 起）
核心 API 速查表
模型与训练
| API | 说明 |
|---|---|
keras.Sequential([...]) | 线性堆叠容器 |
keras.Model(inputs, outputs) | Functional 图模型 |
model.compile(optimizer, loss, metrics=, loss_weights=, jit_compile=) | 配置学习过程 |
model.fit(x, y, batch_size=, epochs=, validation_split=, validation_data=, callbacks=, class_weight=, initial_epoch=) | 内置训练循环 |
model.evaluate(x, y, batch_size=, return_dict=) | 评估 |
model.predict(x, batch_size=) | 推理（model(x) 是单步前向，predict 是批量循环） |
model.train_step(data) / test_step / predict_step | 可重写的循环单元 |
model.summary() / keras.utils.plot_model(model, show_shapes=True) | 结构与可视化 |
常用层（keras.layers）
| 类别 | 层 |
|---|---|
| 核心 | Dense EinsumDense Embedding ReversibleEmbedding（3.12）Input Lambda |
| 卷积 | Conv1D/2D/3D Conv2DTranspose SeparableConv2D DepthwiseConv2D |
| 池化 | MaxPooling2D AveragePooling2D GlobalAveragePooling2D AdaptiveAveragePooling2D（3.13） |
| 归一化 | BatchNormalization LayerNormalization GroupNormalization BatchRenormalization（3.14） |
| 正则 | Dropout GaussianNoise SpatialDropout2D |
| 循环 | LSTM GRU Bidirectional SimpleRNN |
| 注意力 | MultiHeadAttention GroupedQueryAttention（均支持 sliding_window，3.15）Attention |
| 预处理 | Normalization Rescaling TextVectorization CategoryEncoding（均支持 adapt()） |
| 互操作 | TorchModuleWrapper JaxLayer FlaxLayer TFSMLayer |
损失 / 指标 / 优化器
| 模块 | 常用项 |
|---|---|
keras.losses | CategoricalCrossentropy SparseCategoricalCrossentropy（from_logits=）BinaryCrossentropy MeanSquaredError Huber CTC |
keras.metrics | Accuracy CategoricalAccuracy SparseCategoricalAccuracy AUC Precision Recall F1Score |
keras.optimizers | SGD(momentum=) Adam AdamW Nadam Lion ScheduleFreeAdamW（3.14）MultiOptimizer（3.15） |
| 学习率调度 | keras.optimizers.schedules.ExponentialDecay CosineDecay CosineDecayRestarts PiecewiseConstantDecay |
keras.ops（跨后端算子）
python
from keras import ops
ops.matmul(a, b) # NumPy 全集：mean/sum/stack/concatenate/einsum/take...
ops.softmax(x, axis=-1) # NN 专用：softmax/binary_crossentropy/conv/pool/moments
ops.unique(x) # 3.15 新增；另有 pinv/matrix_rank/ssim/sobel_edges 等
ops.cast(x, "float16") # dtype 转换常用回调与工具
| API | 用途 |
|---|---|
keras.callbacks.EarlyStopping(monitor=, patience=, restore_best_weights=) | 早停并回滚最优权重 |
keras.callbacks.ModelCheckpoint(path, save_best_only=) | 按指标存最优模型 |
keras.callbacks.TensorBoard(log_dir=) | 训练可视化 |
keras.callbacks.ReduceLROnPlateau(factor=, patience=) | 指标平台期降学习率 |
keras.callbacks.LearningRateScheduler(fn) | 自定义 lr 函数 |
keras.callbacks.BackupAndRestore(backup_dir=) | 崩溃断点续训 |
keras.callbacks.CSVLogger(path) | 指标落盘 |
| keras.utils | 用途 |
|---|---|
set_random_seed(42) | 统一随机种子（跨后端可复现） |
plot_model(model, show_shapes=True) | 计算图可视化 |
to_categorical(y, num_classes) | 整数标签转 one-hot |
get_file(fname, origin=url) | 下载并缓存数据文件 |
image_dataset_from_directory(dir) / text_dataset_from_directory | 目录直读数据集（3.12 起支持 format="grain"） |
PyDataset | 自定义多进程安全数据源基类 |
配置与环境变量
| 配置项 | 说明 |
|---|---|
KERAS_BACKEND | jax / tensorflow / torch（import 前设定，锁定后不可改） |
~/.keras/keras.json | 持久化 backend / floatx / epsilon |
TF_USE_LEGACY_KERAS=1 | 让 TF 2.16+ 的 tf.keras 指回 tf_keras（Keras 2） |
keras.config.enable_unsafe_deserialization() | 放开 Lambda 等可执行层反序列化（不可信文件勿开） |
keras.mixed_precision.set_dtype_policy("mixed_float16") | 全局混合精度 |
保存与导出格式对照
| 需求 | API | 格式 |
|---|---|---|
| 整模型续训/迁移 | model.save("m.keras") | .keras zip（config.json + model.weights.h5 + metadata） |
| 仅权重 | model.save_weights("w.weights.h5") | HDF5（必须 .weights.h5 结尾） |
| 仅权重（分片） | save_weights(..., max_shard_size=) | 分片 HDF5 |
| TF 生态部署 | model.export("dir/") | SavedModel |
| 跨框架推理 | model.export("m.onnx", format="onnx") | ONNX（opset_version= 可调） |
| 端侧 | model.export("m.tflite", format="litert") | LiteRT/TFLite（3.13+，需装 TF） |
| 交 PyTorch 生态 | model.export("m.pt", format="torch") | 原生 nn.Module（3.15+） |
反序列化安全：keras.saving.load_model 默认 safe_mode；Lambda 等可执行层 fail-closed（3.12–3.15 持续加固），不可信文件不要 keras.config.enable_unsafe_deserialization()。
版本与兼容
Keras ↔ 后端兼容矩阵（官方起点）
| 组合 | 版本 |
|---|---|
| Keras 3 + TensorFlow | tensorflow~=2.16.1 & keras~=3.0 |
| Keras 3 + PyTorch | torch~=2.1.0 & keras~=3.0 |
| Keras 3 + JAX | jax==0.4.20 & keras~=3.0 |
| Keras 2（旧） | tensorflow~=2.13/2.14/2.15 & keras~=2.x |
近期版本要点
| 版本 | 关键变化 |
|---|---|
| 3.0（2023-11） | 全面重写；多后端（JAX/TF/Torch，OpenVINO 仅推理）；keras.ops；distribution API |
| 3.12 | 蒸馏 API（Distiller）；GPTQ 量化；Grain 数据集支持；安全加固开始收紧 |
| 3.13 | Python ≥ 3.11；LiteRT 导出；QuantizationConfig；Adaptive 池化层 |
| 3.14 | Orbax checkpoint 集成；AWQ / INT4 子通道量化；ScheduleFreeAdamW；Gated Attention |
| 3.15 | export_torch（→ 原生 nn.Module）；MultiOptimizer；sliding_window 注意力；causal 自动 Flash SDPA；Ops 扩列 |
迁移提示：TF 2.16+ 的 tf.keras 即 Keras 3；旧代码留在 Keras 2 用 pip install tf_keras + TF_USE_LEGACY_KERAS=1。纯内置层的旧 tf.keras 模型多数可直接跑在 Keras 3 上。
生态版图
- KerasHub（原 KerasNLP，2024 更名）：预训练模型库（Gemma/BERT/Whisper/ResNet/Stable Diffusion），checkpoint 托管 Kaggle Models，三后端可用；
keras-cv包仍独立维护视觉层与增广 - TF 部署链：SavedModel → TF-Serving / TF.js；LiteRT → 移动端/嵌入式
- JAX 生态：optax / Flax（
FlaxLayer）/ TPU 分布式（keras.distribution+ Orbax） - PyTorch 生态：Keras 层即
nn.Module；export_torch反向交付 - 上游框架：HF Transformers 的 TF 侧大量模型基于 Keras 实现