雷锋网消息：昨晚，Keras 之父 François Chollet 在 GItHub 发布了最新的 Keras 2.0.7 版。这是自今年三月Keras 2.0 发布以来的最重大更新之一。各项主要改进方面如下：
修复漏洞；
性能提升；
文件改善；
为在 TensorFlow 的数据张量（比如 Datasets, TFRecords）上训练模型提供了更好的支持。添加了一个相关案例文本；
提升 TensorBoard 用户体验——对 ops 更好地用名称范围进行分组；
提升测试覆盖范围。
API 的变化：
加入 clone_model 方法, 能够把已有模型作为模板创建新模型。即便 TensorFlow 图和原始模型不一样也可以。
向 compile 中加入 target_tensors 参数，用户能把定制张量或占位符作为模型目标。
把 steps_per_epoch 参数加入 fit，用户能采用和 Numpy 数组一致的方法来训练数据张量。
把该 steps 参数加入 predict 和 evaluate。
加入 Subtract merge 层，以及关联层 function subtract。
把 weighted_metrics 参数加入 compile，进一步规定 metric 函数，以把 sample_weight 或 class_weight 纳入考虑。
让 stop_gradients 后端函数在整个后端保持一致性。
允许 repeat_elements 后端函数有动态的形态。
支持 CNTK 的全状态 RNN
重大变化：
让约束管理（constraint management）基于变量属性；
把层和模型中已经不再使用的约束属性移除（不会影响任何用户）。
其 GitHub 地址在这里：https://github.com/fchollet/keras/releases/tag/2.0.7
今年的谷歌 I/O 开发者大会上，Keras 之父 François Chollet 对该工具进行了介绍，雷锋网整理如下：
François Chollet：简而言之，它就是一个用于创建 TensorFlow 模型的高级 API，你可以与它一起使用 estimator class 以及 experiment class。
众所周知，TensorFlow 的特点是非常低级的编程界面，你大多数时间花在矩阵、矢量乘法上。这使它成为一件非常强力的深度学习工具。但对于创建十分复杂先进的模型，这种操作方式说不上“理想”。
在谷歌，我们相信，未来深度学习将存在于每一个普通 IT 开发者的工具箱中，不再局限于机器学习专家。原因很简单：每个开发者都需要做出更智能的应用。
为了让这成为现实，我们需要降低深度学习的使用门槛，搞出每一个人都能用的工具，而不应该只有专家才能用深度学习解决问题。
我有一个问题想让大家思考：
如果设计一个没有任何束缚限制的深度学习界面，它应该是什么样的？
深度学习的核心理念很容易理解，它的实现也不应该复杂。对于模型核心部件，与其从头实现所有功能，应该让开发者利用现存部件，快速搭建数据处理流水线；就像乐高积木那样。这正是我们设计 Keras 的理念——成为“深度学习的乐高”。 雷锋网
相关文章：
Keras 之父讲解 Keras：几行代码就能在分布式环境训练模型 | Google I/O 2017
不到 200 行代码，教你如何用 Keras 搭建生成对抗网络（GAN）
正在生成分享图...