TensorFlow и Keras: первая нейросеть, обучение моделей и отличия от PyTorch
TensorFlow — библиотека Google для вычислений с тензорами и обучения нейросетей, Keras — надстройка, в которой модель собирают из готовых слоёв и обучают одной командой fit. Вместе они позволяют описать сеть в десяток строк, обучить её на CPU или видеокарте, следить за обучением через колбэки и TensorBoard, сохранить результат в файл .keras и перенести модель на телефон. Для старта нужны Python, NumPy и понимание того, зачем делить данные на обучающие и проверочные. Ниже — три способа описать модель, учебный пример с тихой ошибкой, сохранение и порядок освоения.
Содержание

Первое, что сбивает новичка, — старые уроки. Многие примеры в интернете написаны для Keras 2, а по руководству Keras начиная с TensorFlow 2.16 команда pip install tensorflow ставит Keras 3, и from tensorflow import keras тоже ведёт к нему. Большая часть кода работает, но отдельные вызовы и форматы сохранения отличаются. Для старого проекта документация предлагает пакет tf_keras и переменную TF_USE_LEGACY_KERAS=1 до первого import tensorflow, а учиться разумнее сразу на Keras 3.
Что делают на TensorFlow и Keras, а где нужен другой инструмент
Keras выбирают, когда данные — изображения, звук, тексты или временные ряды и признаки вручную не выделить: отличить больной лист растения от здорового по фото, распознать команду в аудиозаписи, дообучить готовую сеть из keras.applications на сотне своих снимков. Сильная сторона экосистемы TensorFlow — запуск модели на сервере, в браузере и на мобильных устройствах.
Для таблиц с заказами и клиентами нейросеть обычно избыточна: градиентный бустинг или модели scikit-learn обучаются быстрее и редко уступают в качестве. О PyTorch, компьютерном зрении и профессии специалиста по глубокому обучению на сайте есть отдельные статьи; здесь речь о самом фреймворке TensorFlow и Keras.
Три способа описать модель
Sequential — стопка слоёв, где выход каждого идёт на вход следующего. Этого хватает для большинства первых задач: классификатора изображений, простой сети для временного ряда. Модель для трёх классов листьев выглядит так:
import keras
from keras import layers
model = keras.Sequential([
keras.Input(shape=(128, 128, 3)),
layers.Rescaling(1 / 255),
layers.Conv2D(32, 3, activation="relu"),
layers.MaxPooling2D(),
layers.Conv2D(64, 3, activation="relu"),
layers.GlobalAveragePooling2D(),
layers.Dropout(0.3),
layers.Dense(3, activation="softmax"),
])
model.compile(optimizer="adam",
loss="sparse_categorical_crossentropy",
metrics=["accuracy"])
Функциональный API нужен, когда у модели несколько входов, выходов или ветвлений. Например, сеть получает фото листа и показания датчика влажности: каждый вход объявляют через keras.Input, обрабатывают своими слоями, объединяют слоем Concatenate и создают модель вызовом keras.Model(inputs=[...], outputs=...). Третий способ — подкласс keras.Model со своим методом call — даёт свободу, близкую к PyTorch, но новичку обычно не нужен.
Учебный пример: fit, колбэки и проверочная выборка
Ситуация учебная. Агроном-любитель собрал 1 500 фотографий листьев трёх классов: «здоровый», «мучнистая роса», «пятнистость». Снимки лежат в трёх папках, и он читает их в массив NumPy по очереди — сначала первую папку, потом вторую, потом третью. Затем обучает модель из примера выше:
history = model.fit(x, y, epochs=30, batch_size=32,
validation_split=0.2)
Ошибок нет, но точность на проверке не связана с точностью на обучении и скачет от нуля к единице. Причина описана в документации к методу fit: при validation_split проверочные данные берутся из последних примеров массивов x и y до перемешивания. Параметр shuffle=True перемешивает только обучающую часть перед каждой эпохой. Поскольку массив упорядочен по папкам, в последние 20 % попали только снимки третьего класса: сеть ни разу не видела пятнистость при обучении и проверяется только на ней. Сообщения об ошибке нет, а выводы о качестве модели неверны.
Исправление — заранее выделить проверочную выборку с сохранением долей классов, например через train_test_split с параметром stratify из scikit-learn, и передать её в validation_data. Там же объяснено, почему потери на проверке бывают ниже, чем на обучении: на них не влияют слои регуляризации вроде Dropout.
Дальше подключают колбэки — объекты, которые fit вызывает в конце каждой эпохи и которые передают списком в параметре callbacks. EarlyStopping останавливает обучение, когда проверочная ошибка перестала снижаться, ModelCheckpoint с save_best_only=True сохраняет лучшую версию модели, TensorBoard пишет журналы для графиков потерь и точности. У EarlyStopping стоит включить restore_best_weights=True: по описанию колбэка по умолчанию у модели остаются веса последней эпохи, а не лучшей, то есть при patience=5 — веса после пяти эпох без улучшения.
Сохранение модели и перенос на телефон
В Keras 3 модель сохраняют командой model.save("model.keras"). По документации о сохранении путь должен заканчиваться на .keras, а файл содержит архитектуру, веса и состояние оптимизатора, так что обучение можно продолжить с того же места. При загрузке keras.saving.load_model по умолчанию работает в безопасном режиме и не восстанавливает слои Lambda с произвольным кодом; отключать его стоит только для своих файлов.
Для телефона и встраиваемых устройств модель переводят в формат .tflite. Среда для его запуска раньше называлась TensorFlow Lite, теперь — LiteRT: она работает на Android, iOS, в вебе и на настольных системах, а модель можно квантовать — хранить веса с пониженной точностью, чтобы файл стал меньше. После конвертации точность проверяют заново: квантование иногда её снижает.
Keras 3 и отличия от PyTorch
Keras 3 перестал быть частью одного фреймворка. Он работает поверх JAX, TensorFlow или PyTorch, а движок выбирают переменной KERAS_BACKEND или в файле ~/.keras/keras.json. Руководство подчёркивает, что выбрать движок нужно до импорта Keras и после импорта его не сменить, — частая причина недоумения в ноутбуках, где ячейку с настройкой запустили второй.
Главное отличие от PyTorch — уровень абстракции. В PyTorch цикл обучения обычно пишут вручную, в Keras он скрыт внутри fit, а изменения встраивают через колбэки, свои метрики и функции потерь. Тем, кто пришёл из scikit-learn, Keras привычнее; для экспериментов с самим циклом обучения удобнее PyTorch. Понятия у фреймворков общие, и переход между ними занимает недели, а не месяцы.
С чего начать и в каком порядке осваивать
Шаги выстроены так, чтобы каждая деталь появлялась, когда без неё уже трудно. Сначала нужна модель, которая точно работает, — с ней легче отличить ошибку в данных от ошибки в архитектуре. Колбэки нужны, когда обучение длится дольше пары минут, а перенос на устройство — когда модель уже готова.
- Установите TensorFlow в отдельное окружение или откройте облачный ноутбук и проверьте, что
keras.__version__начинается с 3. - Обучите Sequential-сеть на MNIST из
keras.datasetsи сравните её с логистической регрессией. - Соберите 300–500 своих снимков двух-трёх классов, сами разделите их на обучающую, проверочную и тестовую части, проверьте доли классов.
- Подключите колбэки и TensorBoard, найдите эпоху, где начинается переобучение.
- Дообучите готовую сеть из
keras.applicationsи сравните со своей. - Сохраните модель в
.keras, загрузите, сконвертируйте в.tfliteи сравните точность до и после.
Модель должна обгонять простую базовую линию, иначе нейросеть не оправдана. Окончательную оценку делайте на тестовой части, которую не использовали ни для EarlyStopping, ни для выбора архитектуры.
Чему учат на курсах
Руководства keras.io подробны, но в одиночку трудно понять, почему модель учится плохо. Онлайн-курс полезен, когда нужна проверка заданий. TensorFlow и Keras обычно входят в программу как часть широкой подготовки по машинному обучению.
На курсе «Специалист по компьютерному зрению дронов и нейросетям» Skillbox среди инструментов названы PyTorch, Keras, TensorFlow, YOLO и U-Net. Это 8 месяцев и 21 модуль: Python, математика, затем блок компьютерного зрения и нейросетей. В каком модуле работают с Keras, нужно уточнить у школы. На практике нужно собрать и разметить данные, обучить модель и оценить её в задаче для сельского хозяйства.
Сравнивая программы, ищите хотя бы один проект, где вы сами готовите и делите данные, а не получаете готовый массив. Ошибки вроде описанной выше с validation_split проявляются именно на своих данных.
Тем, кому нужен диплом о профессиональной переподготовке, подойдёт программа «Инженер в сфере машинного обучения» НЦПО: 256 академических часов, дистанционно и в своём темпе, с куратором. Пятая из десяти тем называется «Фреймворки глубокого обучения» и охватывает TensorFlow, Keras и PyTorch, после неё идут компьютерное зрение, обработка текстов и MLOps. Часы по темам на странице не расписаны, поэтому объём практики именно на Keras нужно уточнить у школы.
Перед оплатой спросите, на каком фреймворке выполняются задания, проверяет ли их человек и используется ли в материалах Keras 3. Курс под Keras 2 тоже полезен, но код из него придётся частично адаптировать.
Если нейросети пока лишь часть интереса к данным, хватит вводного знакомства. На курсе «Аналитик данных с нуля» Merion Academy за 4 месяца проходят Excel, Python, статистику, SQL и Power BI, а в четвёртом блоке — регрессию, классификацию, кластеризацию и Keras. Это знакомство, а не глубокое обучение, но после него легче понять, нужно ли идти дальше.
Как навык влияет на доход
TensorFlow и Keras редко бывают названием должности: в вакансиях они стоят среди требований к ML-инженерам, специалистам по данным, инженерам компьютерного зрения и мобильным разработчикам, которые встраивают модели в приложения. Открытой статистики с надбавкой именно за этот фреймворк найти не удалось, поэтому чисел здесь нет.
На практике навык открывает задачи, где модель нужно запустить на телефоне или встраиваемом устройстве, и вакансии, где TensorFlow указан обязательным. Свою вилку оценивайте по вакансиям с этим словом на hh.ru и в калькуляторе зарплат Хабр Карьеры с фильтрами по региону и уровню. Смотрите на медиану, а не на среднее, и проверяйте, указана сумма до вычета налога или на руки.
Как выбрать обучение
Если вы уже обучили сеть из примера и сохранили её в .keras, длинная программа с нуля не нужна — ищите короткий курс по нейросетям. Если Python и NumPy ещё неуверенные, начните с них. Сравнить школы поможет рейтинг онлайн-школ по машинному обучению. Он охватывает всё направление, а не только TensorFlow и Keras, поэтому в каждой программе проверяйте, сколько места отведено нейросетям и на каком фреймворке идёт практика.