Keras

Keras es una API de alto nivel y de código abierto para construir, entrenar y desplegar modelos de aprendizaje profundo. François Chollet escribió que Keras comenzó en marzo de 2015; en su ensayo sobre diseño de API, explica que el software tiene usuarios humanos y defiende código legible, carga cognitiva baja, documentación clara y mensajes de error útiles. Con Keras 3.0.0, publicada el 28 de noviembre de 2023, el proyecto adoptó una arquitectura multi-backend: los modelos formados solo por capas integradas funcionan directamente sobre JAX, TensorFlow o PyTorch; los componentes personalizados deben usar API agnósticas como keras.ops para conservar el mismo código.

Qué resuelve

Los frameworks de aprendizaje profundo obligan a escribir mucho código repetitivo: definir capas, programar el bucle de entrenamiento, guardar y restaurar modelos. Keras condensa esas tareas en una interfaz declarativa con piezas reutilizables —capas, modelos, funciones de pérdida, optimizadores y callbacks— que se combinan como bloques de construcción. Con métodos como fit(), evaluate() y predict(), entrenar una red neuronal cabe en unas pocas líneas comprensibles. Esa sencillez la convirtió en la puerta de entrada al aprendizaje profundo para estudiantes y docentes, y en una herramienta de creación rápida de prototipos para equipos de investigación e ingeniería que necesitan probar ideas antes de invertir en optimizarlas.

Keras 3 y el giro multi-backend

En sus orígenes, Keras funcionaba como interfaz sobre otros motores: primero Theano y después TensorFlow. TensorFlow 2.0 se publicó el 30 de septiembre de 2019 con Keras estrechamente integrada; Google la mantiene como API de alto nivel de TensorFlow. Keras 3 es una reescritura completa, publicada como versión 3.0.0 en noviembre de 2023: permite elegir JAX, TensorFlow o PyTorch, pero su propio anuncio advierte que el rendimiento varía según el modelo y condiciona la portabilidad del código personalizado al uso de API agnósticas. Desde la versión 3.8 se suma OpenVINO, de Intel, como backend solo de inferencia. El módulo keras.ops implementa la API de NumPy para que las capas y métricas personalizadas funcionen igual en todos los backends, y keras.distribution facilita el paralelismo de datos y de modelo, inicialmente sobre JAX. A mediados de 2026, la versión estable es la 3.15, publicada en junio, que añade la exportación de modelos a módulos nativos de PyTorch.

Cuándo elegirlo

Keras encaja cuando el objetivo es pasar de la idea al modelo funcional en poco tiempo: cursos y formación, experimentación en investigación y productos que se benefician de un código breve y mantenible. No se limita al prototipo: un modelo de Keras 3 puede exportarse como SavedModel de TensorFlow, instanciarse como módulo de PyTorch o convertirse en una función de JAX sin estado, lo que abre el camino a producción por cualquiera de los tres ecosistemas. La web oficial del proyecto señala que organizaciones como el CERN, la NASA o Waymo lo utilizan. Quien necesite control de bajo nivel sobre cada operación seguirá prefiriendo PyTorch o JAX sin capas de abstracción; para la mayoría de flujos de trabajo, Keras ofrece hoy el camino más corto y el más portable.