汤不热吧关于“TensorFlow的受欢迎程度正在下降吗？”的讨论，反映了AI社区在研究端向PyTorch转移的趋势。然而，对于AI基础设施和模型部署的工程师来说，TensorFlow生态（特别是TensorFlow Serving和TFLite）仍然是许多高并发生产环境的首选。这种“研究用PyTorch，生产用TensorFlow”的割裂，一直是部署工作流中的一个痛点。
解决这一问题的关键不在于选择哪个框架，而在于使用一个能够跨框架操作的高级API。Keras 3.0正是为此而生。它允许我们使用一套统一的Keras API定义模型，但可以选择使用TensorFlow、PyTorch或JAX中的任何一个作为底层执行后端。
本文将聚焦如何利用Keras 3.0的这一特性，实现在PyTorch环境下训练的模型，能够无缝地被部署到TensorFlow基础设施中，从而消除框架选择带来的部署障碍。
1. Keras 3.0的跨框架工作原理
Keras 3.0将模型定义（keras.Model）与实际的张量操作（如卷积、矩阵乘法）解耦。当您设置KERAS_BACKEND=torch时，模型将使用PyTorch的张量和操作进行训练；当切换到KERAS_BACKEND=tensorflow时，相同的模型结构则会调用TensorFlow的底层操作。
由于Keras 3.0的模型保存格式（.keras）是框架无关的，这使得模型能够在不同的后端之间轻松迁移。
2. 环境设置与依赖安装
您需要安装Keras 3.0及其所需的PyTorch和TensorFlow后端库。
pip install keras numpy tensorflow torch
# Keras 3.0 在安装时默认是多后端支持的
3. 实践：使用PyTorch后端定义和训练模型
首先，我们在Python环境中强制Keras使用PyTorch作为后端。然后我们像往常一样定义和训练一个Keras模型。
import os
# 步骤1: 强制设置后端为PyTorch
os.environ['KERAS_BACKEND'] = 'torch'
import keras
import numpy as np
import torch # 确认PyTorch已加载
print(f"当前Keras后端: {keras.backend.backend()}")
# 2. 定义一个简单的全连接模型
def create_simple_model():
inputs = keras.Input(shape=(784,))
x = keras.layers.Dense(128, activation='relu')(inputs)
outputs = keras.layers.Dense(10, activation='softmax')(x)
return keras.Model(inputs=inputs, outputs=outputs)
model = create_simple_model()
# 3. 编译和训练
model.compile(
optimizer=keras.optimizers.Adam(learning_rate=0.001),
loss=keras.losses.CategoricalCrossentropy(),
metrics=['accuracy']
)
# 模拟数据 (内部使用PyTorch Tensor)
x_train = np.random.rand(100, 784).astype('float32')
y_train = keras.utils.to_categorical(np.random.randint(0, 10, 100), num_classes=10)
print("开始使用PyTorch后端训练模型...")
model.fit(x_train, y_train, epochs=1, batch_size=32, verbose=0)
# 4. 保存模型 (注意：保存的 .keras 文件是跨框架的)
model.save("pytorch_trained_model.keras")
print("模型已保存为 pytorch_trained_model.keras")
4. 部署：切换到TensorFlow后端并加载模型
现在，假设我们的生产环境基础设施（如使用TensorFlow Serving或依赖TF原生的优化）需要TensorFlow执行环境。我们只需要切换环境变量，并加载我们刚才保存的模型。
# 步骤5: 清理并切换后端为TensorFlow
del model
os.environ['KERAS_BACKEND'] = 'tensorflow'
# 重新导入Keras，确保它加载TensorFlow后端
import keras as keras_tf
import numpy as np
print(f"当前Keras后端: {keras_tf.backend.backend()}")
# 6. 加载模型
loaded_model = keras_tf.models.load_model("pytorch_trained_model.keras")
# 7. 使用TensorFlow进行预测
test_data = np.random.rand(1, 784).astype('float32')
tf_prediction = loaded_model.predict(test_data)
print("模型成功从PyTorch后端迁移到TensorFlow后端，并进行了推理。")
print(f"预测结果形状: {tf_prediction.shape}")
# 8. (可选) 导出为SavedModel
# 如果需要使用标准的TF Serving工具，可以直接将其导出为SavedModel格式
# loaded_model.save('tf_serving_model/1', save_format='tf')
总结
Keras 3.0通过提供一个框架无关的API，巧妙地绕过了关于“TensorFlow是否衰落”的争论。对于AI基础设施工程师而言，它提供了一个强大的抽象层，允许数据科学家在 PyTorch（或 JAX）中快速迭代研究成果，而部署团队则可以利用 TensorFlow 生态系统在生产环境中提供低延迟、高可靠性的服务。这种工作流的统一性，极大地提高了模型从研究到部署的效率和灵活性。