本页面介绍了 Keras 3 的测试基础设施和持续集成/持续部署 (CI/CD) 流程。它涵盖了测试的组织方式、CI 系统的工作原理以及如何在开发过程中本地运行测试。
Keras 使用全面的测试基础设施，以确保所有支持的后端（TensorFlow、JAX、PyTorch、NumPy 和 OpenVINO）的代码质量。测试系统包括单元测试和集成测试，并为 CPU 和 GPU 测试提供了专门的工作流程。
来源：CONTRIBUTING.md172-197 .github/workflows/actions.yml1-108
Keras 使用 GitHub Actions 作为主要的 CI 系统，并为 GPU 测试提供了额外的基础设施。CI 系统在所有支持的后端上运行测试，以确保兼容性。
来源：.github/workflows/actions.yml1-108 .github/workflows/nightly.yml1-123 .kokoro/github/ubuntu/gpu/build.sh1-80
Keras 中的测试旨在验证所有支持的后端在单元和集成层面的功能。
单元测试位于实现文件旁边，并遵循命名模式 *_test.py。这些测试验证单个组件的功能，并为每个后端运行。
来源：CONTRIBUTING.md172-197 keras/src/optimizers/muon_test.py1-84
集成测试位于 integration_tests/ 目录中，用于验证端到端功能，例如模型构建、训练以及与不同后端的互操作性。
来源：integration_tests/import_test.py1-130 integration_tests/basic_full_flow.py1-55
CI 系统使用 GitHub Actions 工作流进行配置，这些工作流定义了测试矩阵和执行环境。
主要工作流定义在 .github/workflows/actions.yml 中，并在所有后端上运行测试。
- tensorflow
- jax
- torch
- numpy
- openvino
对于每个后端，工作流会
来源：.github/workflows/actions.yml1-108
每夜构建每天运行，执行更全面的测试套件，然后构建并将软件包发布到 PyPI。
来源：.github/workflows/nightly.yml1-123
测试执行环境设置为独立运行每个后端的测试。
对于每个后端，环境都配置了相应的依赖项和 KERAS_BACKEND 环境变量。
| 后端 | 需求文件 | 环境变量 |
|---|---|---|
| TensorFlow | requirements.txt 或 requirements-tensorflow-cuda.txt | KERAS_BACKEND=tensorflow |
| JAX | requirements.txt 或 requirements-jax-cuda.txt | KERAS_BACKEND=jax |
| PyTorch | requirements.txt 或 requirements-torch-cuda.txt | KERAS_BACKEND=torch |
| NumPy | requirements.txt | KERAS_BACKEND=numpy |
| OpenVINO | requirements-openvino.txt | KERAS_BACKEND=openvino |
来源：requirements.txt1-24 requirements-tensorflow-cuda.txt1-13 requirements-jax-cuda.txt1-15 requirements-torch-cuda.txt1-16
代码覆盖率使用 pytest-cov 进行跟踪并报告给 Codecov。覆盖率报告是为核心库和应用程序分别生成的。
来源：.github/workflows/actions.yml58-70 .github/workflows/actions.yml98-108
对于为 Keras 贡献代码的开发者，测试系统提供了在本地运行测试的命令。
在运行测试之前，您需要安装所需的依赖项。
pip install -r requirements.txt
python -m pip install -e .
接下来，通过设置 KERAS_BACKEND 环境变量来配置您想要测试的后端。
来源：CONTRIBUTING.md82-108 CONTRIBUTING.md172-222
您可以以不同的粒度级别运行测试。
# Run a test file
pytest keras/src/losses/losses_test.py
# Run a specific test class
pytest keras/src/losses/losses_test.py::MeanSquaredErrorTest
# Run a single test method
pytest keras/src/losses/losses_test.py::MeanSquaredErrorTest::test_sample_weighted
要运行特定后端的全部测试
KERAS_BACKEND=jax pytest keras
您可以跳过应用程序测试以减少测试时间。
SKIP_APPLICATIONS_TESTS=True pytest keras
GPU 测试通过一个独立的 Kokoro 流水线运行，该流水线提供对支持 CUDA 的硬件的访问。
来源：.kokoro/github/ubuntu/gpu/build.sh1-80 requirements-tensorflow-cuda.txt1-13 requirements-jax-cuda.txt1-15 requirements-torch-cuda.txt1-16
为确保代码质量一致性，Keras 使用预提交钩子进行代码格式化和 Linting（代码检查）。
来源：CONTRIBUTING.md110-139 .pre-commit-config.yaml1-31 shell/api_gen.sh1-14
Keras 使用多个配置文件来控制测试行为。
pyproject.toml 文件包含 pytest 的测试配置，包括：
对于某些后端，可能会排除特定测试以适应后端特有的限制。
来源：.github/workflows/actions.yml93-96
Keras 拥有强大的测试和 CI/CD 基础设施，旨在确保跨多个后端和执行环境的质量。该系统将单元测试和集成测试与自动化工作流相结合，以验证每个受支持后端的兼容性和功能。
有关不同后端之间的依赖管理信息，请参阅依赖管理。