Keras: что это за библиотека и как собрать первую нейросеть

Keras — это высокоуровневая библиотека Python для построения и обучения нейронных сетей: модель собирается из готовых слоев, а вычисления выполняет отдельный движок (бэкенд). В актуальной линейке Keras 3 бэкендом может быть JAX, TensorFlow или PyTorch — один и тот же код модели запускается на любом из них. Ниже — как устроен Keras, чем Sequential отличается от Functional API и полный пример от данных до сохраненной модели.

Примеры проверены 23 сентября 2026 года: Keras 3.15.1, Python 3.12, бэкенды JAX 0.11 и PyTorch 2.14 (оба на CPU), первый пример — еще и на TensorFlow 2.21.

Keras, бэкенд и tf.keras: три термина, которые путают

• Keras — интерфейс: слои, модели, функции потерь, оптимизаторы, цикл обучения fit(). Сам Keras тензоры не перемножает.
• Бэкенд — библиотека, которая выполняет вычисления и считает градиенты: JAX, TensorFlow или PyTorch (в новых версиях есть еще OpenVINO, но только для инференса, без обучения). Выбирается переменной окружения KERAS_BACKEND до импорта Keras.
• tf.keras — Keras, встроенный в TensorFlow. В TensorFlow 2.16 и новее tf.keras по умолчанию указывает на Keras 3; старые учебники с from tensorflow import keras в основном работают, но часть API из Keras 2 удалена (пример ниже). Если старый проект нужно запустить без переписывания, TensorFlow оставляет Keras 2 отдельным пакетом tf_keras с переменной TF_USE_LEGACY_KERAS=1.

Коротко об истории: Keras создал Франсуа Шолле, первая версия вышла в марте 2015 года как личный проект; вскоре автор перешел в Google и почти десять лет развивал Keras там (в конце 2024 года он ушел из компании, проект остался открытым). Ранний Keras умел работать поверх Theano, TensorFlow и CNTK, затем на несколько лет стал частью TensorFlow, а в Keras 3 (конец 2023 года) снова получил несколько бэкендов. Поэтому фраза из старых статей «Keras поддерживает только TensorFlow» для текущей версии неверна.

Граница: «один код на любом бэкенде» верно для моделей из стандартных слоев Keras. Если внутри модели вызвать функции конкретного движка (например, tf.image или torch.fft), переносимость пропадает — для переносимого кода есть keras.ops.

Установка и выбор бэкенда

Keras ставится одной командой, бэкенд — отдельно. Нужен свежий Python: Keras 3.15 требует Python 3.11+, JAX 0.11 — 3.12+ (на более старом интерпретаторе pip молча поставит старые версии). Минимальный вариант на CPU:

python3 -m venv .venv
source .venv/bin/activate
pip install keras jax
export KERAS_BACKEND=jax

Если бэкенд не задан, Keras 3 берет его из файла ~/.keras/keras.json, а по умолчанию это tensorflow. Типовая ошибка новичка — поставить keras и jax, но забыть переменную:

python3 -c "import keras"

ModuleNotFoundError: No module named 'tensorflow'

Исправление — задать KERAS_BACKEND=jax (или torch) в окружении либо в коде строкой os.environ["KERAS_BACKEND"] = "jax" до import keras. После импорта бэкенд меняют через keras.config.set_backend("torch") с повторным импортом Keras, но все уже созданные модели, слои и тензоры после этого непригодны; на практике проще перезапустить процесс.

Первая модель на Sequential: полный пример

Задача — научить сеть отличать точки внутри круга радиуса 1 от точек снаружи. Данные генерируются в коде, поэтому пример работает без интернета и скачивания датасетов.

import os
os.environ.setdefault("KERAS_BACKEND", "jax")  # до import keras

import numpy as np
import keras
from keras import layers

keras.utils.set_random_seed(42)

# Данные: точки на плоскости, класс 1 - внутри круга радиуса 1
rng = np.random.default_rng(0)
x = rng.uniform(-2, 2, size=(2000, 2)).astype("float32")
y = (np.sum(x**2, axis=1) < 1.0).astype("float32")
x_train, y_train = x[:1600], y[:1600]
x_test, y_test = x[1600:], y[1600:]

model = keras.Sequential([
    keras.Input(shape=(2,)),
    layers.Dense(16, activation="relu"),
    layers.Dense(16, activation="relu"),
    layers.Dense(1, activation="sigmoid"),
])

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

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("backend:", keras.backend.backend())
print(f"test accuracy: {acc:.3f}")

probe = np.array([[0.0, 0.0], [1.8, 1.8]], dtype="float32")
proba = model.predict(probe, verbose=0)
print("P(внутри круга):", proba.ravel().round(3))
print("классы:", (proba.ravel() > 0.5).astype(int))

Вывод на бэкенде JAX:

backend: jax
test accuracy: 0.995
P(внутри круга): [0.937 0.   ]
классы: [1 0]

Точность на отложенных 400 точках — около 99%, центр круга сеть уверенно относит к классу 1, дальний угол — к классу 0. На других бэкендах цифры немного отличаются при том же сиде: у PyTorch вышло 0.995 и вероятность 0.977, у TensorFlow — 0.993 и 0.981. Это нормально: у движков разные генераторы случайных чисел и порядок вычислений.

Что делает каждый шаг

1. keras.Input(shape=(2,)) — форма одного примера: два числа (x и y). Размер пакета не указывают.
2. Dense(16, activation="relu") — полносвязный слой из 16 нейронов. Нелинейность дает функция активации relu: без нее любая стопка Dense-слоев сводится к одной линейной функции, и границу круга сеть не выучит.
3. Dense(1, activation="sigmoid") — один выход со значением от 0 до 1, его читают как вероятность класса 1.
4. compile() связывает модель с оптимизатором (adam), функцией потерь (binary_crossentropy — для двух классов) и метриками. Сам compile() ничего не обучает.
5. fit() — обучение: 30 проходов по данным (эпох) пакетами по 32 примера, 20% обучающих данных уходит на валидацию.
6. evaluate() считает потерю и метрики на тестовых данных, predict() возвращает вероятности, а не классы.

Правило выбора функции потерь: два класса и один выход с sigmoid — binary_crossentropy; несколько классов и выход softmax — sparse_categorical_crossentropy, если метки — целые числа, или categorical_crossentropy, если метки закодированы one-hot.

Functional API: когда Sequential мало

Sequential подходит, когда слои идут строго цепочкой: один вход, один выход, каждый слой получает результат предыдущего. Functional API нужен, если есть ветвления, несколько входов или выходов, общие слои. В нем слой вызывают как функцию от тензора, а модель собирают из входа и выхода.

Та же задача, но исходные координаты дополнительно подаются прямо на выходной слой (ветка-обход), и модель сохраняется в файл:

import os
os.environ.setdefault("KERAS_BACKEND", "jax")

import numpy as np
import keras
from keras import layers

keras.utils.set_random_seed(42)
rng = np.random.default_rng(0)
x = rng.uniform(-2, 2, size=(2000, 2)).astype("float32")
y = (np.sum(x**2, axis=1) < 1.0).astype("float32")

inputs = keras.Input(shape=(2,), name="xy")
h = layers.Dense(16, activation="relu")(inputs)
h = layers.Dense(16, activation="relu")(h)
# Ветка-обход: исходные координаты идут прямо к выходу
merged = layers.Concatenate()([h, inputs])
outputs = layers.Dense(1, activation="sigmoid")(merged)

model = keras.Model(inputs=inputs, outputs=outputs, name="circle")
model.compile(optimizer="adam", loss="binary_crossentropy",
              metrics=["accuracy"])
model.fit(x[:1600], y[:1600], epochs=30, batch_size=32, verbose=0)
print("params:", model.count_params())

model.save("circle.keras")
restored = keras.saving.load_model("circle.keras")
probe = np.array([[0.0, 0.0]], dtype="float32")
same = np.allclose(model.predict(probe, verbose=0),
                   restored.predict(probe, verbose=0))
print("после загрузки прогноз совпал:", same)

params: 339
после загрузки прогноз совпал: True

Число параметров легко проверить руками: первый слой 2×16 весов + 16 смещений = 48, второй 16×16 + 16 = 272, выходной получает 16 + 2 = 18 входов, то есть 18 весов + 1 смещение = 19. Итого 339. У Sequential-версии выход получает только 16 входов, там 337 параметров.

Сохранение модели и безопасность загрузки

В Keras 3 основной формат — один файл .keras (архитектура, веса и состояние оптимизатора). Вызов model.save("my_model") без расширения теперь падает:

ValueError: Invalid filepath extension for saving. Please add either a `.keras` extension for the native Keras format (recommended) or a `.h5` extension. Use `model.export(filepath)` if you want to export a SavedModel for use with TFLite/TFServing/etc. Received: filepath=my_model.

Формат .h5 оставлен для совместимости со старым кодом, для экспорта в TF Serving, LiteRT, ONNX или OpenVINO есть отдельный model.export() (формат задают аргументом format, для SavedModel нужен установленный TensorFlow).

Файл модели — это исполняемая логика, а не просто числа. По умолчанию load_model() работает с safe_mode=True и отказывается восстанавливать произвольный Python-код из Lambda-слоев. Отключать этот режим можно только для своих файлов. Модели из непроверенных источников не загружайте вовсе: safe_mode снижает риск, но не делает чужой файл доверенным.

Код из старых учебников: что сломается в Keras 3

Статьи 2018-2021 годов часто показывают классификатор MNIST с вызовами, которых в Keras 3 уже нет. Проверено на 3.15.1:

Если не получилось

• ModuleNotFoundError: No module named 'tensorflow' при import keras — не задан бэкенд, а TensorFlow не установлен. Задайте KERAS_BACKEND до импорта.
• Точность не растет от эпохи к эпохе — проверьте, что последний слой и функция потерь согласованы (sigmoid + binary_crossentropy), а метки имеют значения 0 и 1, а не 1 и 2.
• ValueError: ... expected axis -1 of input shape to have value 2, but received input with shape (4, 3) — форма в keras.Input не совпадает с данными: у x должно быть ровно два столбца.
• Результаты немного меняются между запусками — без keras.utils.set_random_seed() веса инициализируются случайно; на GPU часть операций недетерминирована даже с сидом.

Выводы

• Keras — это интерфейс для сборки и обучения нейросетей, а вычисления выполняет бэкенд: в Keras 3 это JAX, TensorFlow или PyTorch.
• Бэкенд задают KERAS_BACKEND до импорта; по умолчанию Keras ищет TensorFlow.
• Цепочку слоев собирают через Sequential, ветвления и несколько входов — через Functional API.
• Рабочий цикл один на все модели: compile() -> fit() -> evaluate() -> predict() -> save("*.keras").
• Код из старых учебников (np_utils, predict_classes) в Keras 3 не работает — замены показаны в таблице выше.

Где применяется / связь с практикой

FAQ

Нужна ли видеокарта, чтобы начать с Keras?
Нет. Учебные модели вроде примеров выше обучаются на CPU за секунды. GPU нужен для больших сетей и изображений; для этого ставят GPU-сборку выбранного бэкенда.

Что выбрать для новой работы: Keras или «чистый» PyTorch?
Keras быстрее дает рабочую модель со стандартными слоями и циклом fit(). Если нужен полностью свой цикл обучения и глубокая интеграция с экосистемой PyTorch, пишут на PyTorch напрямую; Keras 3 позволяет совмещать оба подхода на бэкенде torch.

Можно ли открыть в Keras 3 модель, сохраненную в Keras 2?
Файлы .h5 и .keras из поздних версий Keras 2 обычно загружаются; старый формат SavedModel (папка) через load_model() не открывается, для него есть обертка keras.layers.TFSMLayer только для инференса.