开源与本地工具 · 工具介绍
Keras
通过统一接口开发深度学习模型，可选择 TensorFlow、JAX 或 PyTorch 后端，并支持 OpenVINO 推理。
Keras 能做什么
通过统一接口开发深度学习模型，可选择 TensorFlow、JAX 或 PyTorch 后端，并支持 OpenVINO 推理。
- 模型训练与部署
如何使用 Keras
迁移现有 Keras 模型并选择运行后端
准备输入
- 现有 Keras 模型代码与验证数据
- 已安装的目标后端
- 自定义层与训练步骤清单
操作步骤
- 在导入 keras 之前设置 KERAS_BACKEND，并确认所选后端可以运行。
- 将现有 tf.keras 保存操作调整为 .keras 格式；逐项检查自定义层和 train_step 是否依赖特定后端。
- 使用原验证数据运行迁移后的模型，对照原输出检查数值和行为，再评估是否切换正式流程。
预期交付物
- 可以在目标后端验证的 Keras 模型
- 迁移前后输出比较记录
OpenVINO 后端只用于 model.predict 推理；自定义组件可能需要改写，切换后端后仍需验证结果，不能直接套用项目展示的性能提升幅度。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从开源与本地工具角度评估Keras
把开源与本地工具需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
本地运行到哪一步
区分本地界面、本地处理和外部API；不能只看名称判断数据去向。
环境是否匹配
检查系统、内存、磁盘和依赖，按官方要求判断能否运行。
后续是否可维护
确认许可证、配置保存、数据导出与版本更新方法。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
