Keras и TensorFlow — нейросети

ДЛЯ НОВИЧКОВ

Разработчику

TensorFlow — платформа глубокого обучения от Google: вычислительный граф, автоматическое дифференцирование, GPU/TPU, экспорт в TensorFlow Lite (мобильные устройства) и TensorFlow.js (браузер). Keras с TensorFlow 2.x встроен как высокоуровневый API (tf.keras) для быстрой сборки и обучения сетей.

Табличные задачи на старте проще закрыть scikit-learn — см. Scikit-learn. Keras уместен, когда нужны изображения, последовательности, эмбеддинги или глубокие архитектуры (CNN, LSTM, трансформеры). Теория нейрона и слоёв — Нейрон; первый код без фреймворка — перцептрон на NumPy.

---

ML и DL в одной картине

	Scikit-learn	Keras (TensorFlow)
Данные	Таблицы, разреженные матрицы	Тензоры (изображения, последовательности)
Признаки	Часто готовят вручную (pandas)	Извлекаются слоями сети
Обучение	CPU, секунды–минуты	GPU желателен для больших моделей
Типичные задачи	Цена, отток, кластеры	CV, NLP, аудио

Раздел глубокое обучение в Машинное обучение даёт расширенные примеры CNN и RNN; здесь — компактный практический маршрут.

---

Установка и проверка

pip install tensorflow

import tensorflow as tf
print(tf.__version__)
print("GPU:", tf.config.list_physical_devices("GPU"))

---

Sequential — слои друг за другом

Модель для табличных или простых задач (бинарная классификация после нормализации):

import tensorflow as tf
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation="relu", input_shape=(X_train.shape[1],)),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Dense(32, activation="relu"),
    tf.keras.layers.Dense(1, activation="sigmoid"),
])

model.compile(
    optimizer="adam",
    loss="binary_crossentropy",
    metrics=["accuracy"],
)

history = model.fit(
    X_train, y_train,
    epochs=30,
    batch_size=32,
    validation_split=0.2,
    verbose=0,
)

loss, acc = model.evaluate(X_test, y_test, verbose=0)
print(f"Test accuracy: {acc:.3f}")

Параметр compile	Когда использовать
binary_crossentropy	Два класса, выход sigmoid
sparse_categorical_crossentropy	Несколько классов, метки — целые числа 0…K-1
categorical_crossentropy	Несколько классов, метки — one-hot
mse	Регрессия, выход linear

---

MNIST — первая свёрточная сеть

from tensorflow.keras.datasets import mnist
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from tensorflow.keras.utils import to_categorical

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(-1, 28, 28, 1).astype("float32") / 255.0
x_test = x_test.reshape(-1, 28, 28, 1).astype("float32") / 255.0
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

cnn = tf.keras.Sequential([
    Conv2D(32, 3, activation="relu", input_shape=(28, 28, 1)),
    MaxPooling2D(2),
    Conv2D(64, 3, activation="relu"),
    MaxPooling2D(2),
    Flatten(),
    Dense(128, activation="relu"),
    Dense(10, activation="softmax"),
])

cnn.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])
cnn.fit(x_train, y_train, epochs=5, batch_size=128, validation_split=0.1, verbose=1)
cnn.evaluate(x_test, y_test, verbose=0)

Свёрточные слои (Conv2D) ищут локальные паттерны (штрихи, углы); пулинг уменьшает размер карты признаков. Такие сети — основа распознавания объектов и лиц.

---

Functional API — ветвления и несколько входов

Когда нужны общие слои, несколько входов или выходов:

inputs = tf.keras.Input(shape=(100,))
x = tf.keras.layers.Dense(128, activation="relu")(inputs)
x = tf.keras.layers.Dropout(0.5)(x)
outputs = tf.keras.layers.Dense(10, activation="softmax")(x)
model = tf.keras.Model(inputs=inputs, outputs=outputs)
model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])

---

Callbacks и ранняя остановка

callbacks = [
    tf.keras.callbacks.EarlyStopping(
        monitor="val_loss", patience=5, restore_best_weights=True
    ),
    tf.keras.callbacks.ModelCheckpoint(
        "best.keras", monitor="val_accuracy", save_best_only=True
    ),
]

model.fit(X_train, y_train, epochs=100, validation_split=0.2, callbacks=callbacks)

EarlyStopping останавливает обучение, когда validation перестаёт улучшаться — защита от переобучения. Подробнее — смещение и дисперсия.

---

Сохранение и инференс

model.save("model.keras")
restored = tf.keras.models.load_model("model.keras")
restored.predict(X_test[:5])

Для мобильных устройств — экспорт в TFLite; для сервера — SavedModel или ONNX. Обзор продакшен-развёртывания — Применение ИИ в продакшене.

---

PyTorch — альтернатива

PyTorch (Meta) популярен в исследованиях и среди LLM/CV-команд: динамический граф, torch.nn, экосистема Hugging Face. Идеи те же (слои, loss, optimizer); синтаксис другой.

Практический вход с установкой, autograd, градиентным спуском и сквозным пайплайном — в статье PyTorch для разработчика. После перцептрона на NumPy это естественный следующий шаг.

Выбор	Ориентир
Учебник, Kaggle, корпоративный Google-стек	TensorFlow / Keras
Исследование, кастомные архитектуры, HF-модели	PyTorch

---

Дальше по маршруту

1. Transfer learning — EfficientNet, заморозка слоёв.
2. Распознавание лиц, объектов и текста — YOLO, OCR, NER.
3. Облачные Cognitive API — если своё обучение не нужно.
4. Большие языковые модели — трансформеры поверх тех же идей эмбеддингов.