Keras 3.0强势回归，动手学深度学习（下）

摘要

2.5 数据预处理

文章介绍了Keras 3.0中数据预处理的步骤，包括设置基本参数和定义TextPreprocessor类来管理这些配置。由于Keras 3.0的TextVectorization层是基于TensorFlow的实现，因此无法直接作为模型的一部分，需要在预处理阶段单独使用，并确保词汇表的持久化以便在推理任务中重复使用。

2.6 实现编码器-解码器模型

文章继续描述了如何实现一个编码器-解码器模型。它涉及创建Encoder和Decoder类，并实现其核心方法。这些类使用了@keras.saving.register_keras_serializable()装饰器以确保能够被正确序列化和保存。

2.7 模型训练

在模型训练部分，文章阐述了编译模型、定义回调以保存最佳模型和使用fit方法进行训练的过程。此外，还提到了Keras 3.0支持Pytorch的DataLoader，使得可以构建更灵活的预处理流程。

2.8 推理任务

完成模型训练后，文章说明了如何进行推理任务，包括部署代码模块、保存的词汇表和训练好的模型。还提供了一个翻译函数的示例来验证翻译结果。

结语

文章以乐观态度看待Keras 3.0，虽然目前还存在依赖于TensorFlow的问题，但Keras 3.0为开发者提供了方便，并有望进一步推动深度学习技术的普及。

推荐书单

文章推荐了一本关于Keras深度学习的实用书籍，适合希望通过代码实践来深入学习这一领域的读者。