keras - 针对特定项目的 keras 配置的推荐方法？

Question

我的目标是在每个项目的基础上维护 keras 配置，例如一个项目更喜欢 theano 后端，另一个项目更喜欢 tensorflow 后端。作为奖励，我想与其他开发人员相对无缝地共享此配置。

这里有一些想法:

1. keras 配置可以由虚拟环境管理或在虚拟环境内管理吗？
2. 我应该使用 dotenv 或 autoenv 来管理一些共享环境配置(通过 KERAS_BACKEND 环境变量)吗？
3. 在使用 $HOME 中的版本之前，是否应该更新 keras 以在工作树中查找 .keras/keras.json 文件？

Answer 1

1. Can keras config be managed by/within a virtual environment?

基本配置参数(如后端、浮点精度)在 $KERAS_HOME/keras.json 文件中进行管理。您可以为每个 Anaconda/虚拟环境创建一个 keras.json，并在加载时将 KERAS_HOME 设置为指向特定文件。

或者，这些变量可以在运行时通过 Keras 后端设置，这将覆盖配置文件中的值:

from keras import backend as K
K.set_floatx('float16')

根据 Keras 后端，还可以配置其他参数。例如，对于 tensorflow 后端，可能需要配置 tf.ConfigProto。一种实用的方法是在运行时执行此操作，例如:

import os 
if os.environ['KERAS_BACKEND'] == 'tensorflow':
    import tensorflow as tf
    from keras.backend.tensorflow_backend import set_session
    gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.95, allow_growth=True)
    config = tf.ConfigProto(gpu_options=gpu_options)
    set_session(tf.Session(config=config))

参见 config.proto对于可以配置的内容。

2. Should I use something like dotenv or autoenv to manage some shared environment configuration (via the KERAS_BACKEND environment variable)?

这绝对不是必须的，可以使用 Keras 中可用的 os.environ 和 get/set 方法来修改变量。

3. Should keras be updated to look for a .keras/keras.json file in the working tree before using the version in $HOME?

可以通过更改 KERAS_HOME 环境变量或启动您的应用程序来指向 keras.json 配置文件的自定义位置:

env KERAS_HOME=<path to custom folder containing keras.json> python keras_app.py