Перейти до вмісту

Keras

Матеріал з K2 ERP Wiki

У Keras 3 істотно розрізняти:

])

Keras 3 — це сучасна реліз Keras, переписана з фокусом на multi-backend підхід.; layers.Dropout(0.2), Keras Applications — це набір готових pretrained моделей.; * training довгий;

  • є собою ризик переривання;
  • потрібно зберегти найкращу модель;
  • потрібно порівняти експерименти;
  • потрібно мати rollback.; Поширені помилки:

На результат впливають:

Keras спрощує model-building, але не замінює ML-процес.; 

monitor="val_loss",

Встановлення Keras

Коли Keras особливо корисний

layers.Dense(128, activation="relu"),
  • модель велика;
  • dataset великий;
  • одного GPU недостатньо;
  • потрібно пришвидшити training;
  • потрібне масштабування;
  • використовуються кілька accelerators.; # saving models.; * neural networks;
  • deep learning;
  • computer vision;
  • audio;
  • NLP;
  • time series;
  • transfer learning;
  • generative models.; Keras API documentation має окремі розділи для Models API, Layers API, Callbacks API, Optimizers, Metrics, Losses, Data loading, Keras Applications, mixed precision і multi-device distribution.;


* прогноз попиту;
* класифікація заявок;
* аналіз текстів;
* anomaly detection;
* прогноз затримок;
* рекомендації;
* аналіз зображень товарів;
* AI-компоненти поруч із бізнес-системою.; optimizer=keras.optimizers.Adam(learning_rate=0.001),
[[Категорія:Python]]
== Keras і Scikit-learn ==
Потрібні:

 x = self.dense1(inputs)
 monitor="val_loss",
Hyperparameters:
JAX варто обрати, якщо важливі:
Keras FAQ має розділ про reproducible results during development.; * швидкого prototyping;
* навчання deep learning;
* computer vision;
* transfer learning;
* time series;
* neural network baselines;
* multi-backend experimentation;
* research-to-production workflows;
* команд, яким потрібен простий API;
* production ML із відносно стандартними архітектурами;
* навчальних курсів;
* стартапів і R&D.;{{SEO|title=Keras — високорівневий фреймворк deep learning для Python, нейронних мереж, TensorFlow, JAX і PyTorch|description=Keras — Wiki-стаття про високорівневий фреймворк машинного навчання для створення, навчання, оцінювання, збереження й розгортання нейронних мереж. Розглянуто Keras 3, multi-backend підхід, TensorFlow, JAX, PyTorch, OpenVINO inference, Sequential API, Functional API, Model subclassing, layers, callbacks, optimizers, losses, metrics, DataLoader, transfer learning, deployment, serialization, distributed training, обмеження та практичне використання Keras у AI-проєктах.|keywords=Keras, Keras 3, Keras Python, deep learning Python, neural networks Keras, TensorFlow Keras, JAX Keras, PyTorch Keras, multi-backend Keras, Sequential API, Functional API, Keras layers, Keras callbacks, Keras optimizers, Keras losses, Keras metrics, model.fit, model.compile, transfer learning Keras, Keras saving model, Keras deployment, Keras Applications, Keras Hub, Keras Tuner, machine learning framework|alternativeTo=ручне написання нейронних мереж з нуля; складний низькорівневий deep learning; PyTorch без високорівневого API; TensorFlow без простого інтерфейсу; JAX без зручної моделі навчання; ML-фреймворки без multi-backend; складне прототипування нейронних мереж; deep learning без простого training loop}}
== Backend ==
'''Keras''' — це Python API для deep learning.; model.fit(x_train, y_train, epochs=10, batch_size=32)
== Keras і бізнес-середовище ==

Inference export важливий, коли модель має працювати:

 return self.dense2(x)

'''Backend''' — це фреймворк, який фактично виконує числові обчислення.; Низькорівневі ML-фреймворки дають багато контролю, але часто вимагають писати більше коду.; * '''Data leakage''' — витік інформації з test або validation data у training.; '''Optimizer''' визначає, як оновлюються параметри моделі під час навчання.; Метод <code>evaluate()</code> перевіряє модель на тестових або validation даних.; Це фреймворк для побудови моделей машинного навчання.; * '''JAX''' — фреймворк для високопродуктивних числових обчислень і ML.; Keras 3 має змогу працювати з PyTorch backend.; Його сильні сторони:

* tokenization;
* vectorization;
* padding;
* vocabulary.; * '''Keras 3''' — сучасна multi-backend реліз Keras.; Типові сценарії:
Keras часто описують як '''Deep Learning for humans''' — deep learning для людей.; * '''Backend''' — фреймворк, який виконує обчислення під Keras API.; )

[[Категорія:Нейронні мережі]]

 layers.Dense(10, activation="softmax")

<pre>

== Пояснення термінів ==

* швидкого прототипування;
* команд із PyTorch-досвідом;
* portable model code;
* навчальних проєктів;
* порівняння backend.;[[Категорія:Machine Learning]]

Приклад:

== evaluate() ==

from keras import layers

Типові callbacks:
Не кожна задача з даними потребує deep learning.; * інформаційні дані;
* постановка задачі;
* метрика;
* baseline;
* training;
* validation;
* deployment;
* monitoring;
* інтеграційні функціональні можливості з бізнес-процесом;
* відповідальність людини.; )

== Layers ==

* TensorFlow Serving;
* TensorFlow Lite;
* TensorFlow.js;
* production deployment;
* mobile deployment;
* edge deployment;
* mature TensorFlow ecosystem.; Для production часто потрібно не без ускладнень зберегти training-модель, а експортувати її для inference.; Deployment вимагає не лише моделі, а й:

)

keras.callbacks.EarlyStopping(

 def __init__(self):

* у backend-сервісі;
* на edge-пристрої;
* у мобільному застосунку;
* в batch pipeline;
* у production API;
* в embedded environment.; PyTorch варто обрати, якщо потрібна:

* не замінює розуміння ML;
* має змогу бути надто високорівневим для дуже custom research;
* не вирішує проблему поганих даних;
* не захищає автономно від overfitting і data leakage;
* production потребує MLOps;
* backend compatibility потрібно перевіряти;
* не кожна задача потребує neural network.; test_loss, test_accuracy = model.evaluate(x_test, y_test)

Початківцю варто вивчати:

* GPU training;
* великих моделей;
* більших batch;
* пришвидшення навчання;
* зменшення memory footprint.; )

<code>predict()</code> не навчає модель.;<ref>https://keras.io/</ref>

* Dense;
* Conv2D;
* MaxPooling2D;
* Flatten;
* Dropout;
* BatchNormalization;
* Embedding;
* LSTM;
* GRU;
* MultiHeadAttention;
* LayerNormalization;
* Rescaling;
* TextVectorization.; Keras має змогу працювати з різними джерелами даних.; * random seed;
* backend;
* GPU;
* версії бібліотек;
* data split;
* augmentation;
* nondeterministic operations;
* batch order;
* mixed precision.;<ref>https://keras.io/getting_started/faq/</ref>
== Transfer learning ==

Типові optimizers:

Іноді простіша модель краще: її легше пояснити, підтримувати й контролювати.; * '''Functional API''' — гнучкий спосіб створення моделей як графа layers.;<ref>https://keras.io/keras_3/</ref>

Ознаки:
 validation_split=0.2,
Keras — високорівневий API, який у Keras 3 має змогу працювати навіть поверх PyTorch.; Типовий Keras-проєкт виглядає так:

Приклад:

== Callbacks ==

== Keras і JAX ==

Вибір loss function має відповідати задачі.; model.fit(x_train, y_train, epochs=5, batch_size=32)

Якщо оцінювати модель тільки на training data, можна не помітити overfitting.; Optimizer впливає на швидкість і стабільність навчання.;[[Категорія:PyTorch]]

Це корисно для боротьби з overfitting і економії ресурсів.; outputs = layers.Dense(1, activation="sigmoid")(x)

Keras 3 із JAX backend має змогу бути корисним для:

Keras надає високорівневий API, але tensor operations, GPU acceleration, autograd і execution виконуються backend-системою.; * оцінювати модель тільки на training data;
* не мати validation set;
* неправильно вибрати loss function;
* плутати categorical і sparse categorical labels;
* не нормалізувати інформаційні дані;
* не перевірити shape inputs;
* забути про overfitting;
* використовувати занадто складну модель;
* не застосовувати callbacks;
* не зберігати найкращу модель;
* не фіксувати seed;
* не документувати preprocessing;
* не перевіряти inference окремо від training;
* використовувати neural network там, де достатньо простішої моделі.; Метод <code>predict()</code> застосовується для inference.; Приклади:

Keras надає можливість використовувати переважні аспекти JAX без необхідності писати всю модель у низькорівневому JAX-стилі.;<pre>

TensorFlow backend корисний для:

* SQL-запитом;
* простою статистикою;
* Excel;
* scikit-learn;
* правилами;
* лінійною регресією;
* невеликою формулою;
* готовим API;
* простим Python-скриптом.; Це важлива зміна, з цієї причини що історично Keras дуже тісно асоціювався з TensorFlow.; як ілюстрація, у класифікації з дисбалансом класів accuracy має змогу бути оманливою.;== Keras і ERP-системи ==

Keras Hub має змогу бути корисним для сучасних AI-задач, де потрібні готові моделі, tokenizers або reusable components.; # neural networks.; * кілька входів;
* кілька виходів;
* shared layers;
* skip connections;
* branching;
* merging;
* non-linear graph models.; patience=3

== Optimizers ==

Keras API має розділ Mixed precision.; * <code>keras</code> — сучасний multi-backend Keras;
* <code>tf.keras</code> — Keras API всередині TensorFlow;
* <code>tf-keras</code> — пакет для Keras 2 compatibility у певних сценаріях.;== Sequential API ==

model.compile(

<pre>

Типові layers:

* класичного machine learning;
* tabular data;
* regression;
* classification;
* clustering;
* pipelines;
* feature engineering;
* невеликих моделей.; Там краще дивитися precision, recall або AUC.; Вибір залежить від задачі.; from keras import layers

[[Категорія:Deep Learning]]

== Keras і TensorFlow: історичний зв’язок ==

Приклад:

* зупинити навчання;
* зберегти найкращу модель;
* змінити learning rate;
* логувати метрики;
* записувати TensorBoard;
* робити checkpoint;
* контролювати overfitting.; print(keras.__version__)

Офіційна сторінка Keras описує його як multi-framework machine learning інструмент, який дає свободу працювати з JAX, TensorFlow і PyTorch.; # deployment basics.; Functional API часто є собою оптимальним вибором для реальних моделей, бо дає баланс між простотою і гнучкістю.; * computer vision;
* natural language processing;
* audio processing;
* time series forecasting;
* recommendation systems;
* classification;
* regression;
* anomaly detection;
* generative AI;
* transfer learning;
* prototyping;
* research;
* production ML.; Keras можна встановити з PyPI.; * '''evaluate()''' — метод оцінювання моделі.;<ref>https://keras.io/api/models/model_saving_apis/</ref>

== Типовий workflow у Keras ==

== Приклад простої моделі ==

Keras приховує багато технічних деталей, що робить training простішим.; * '''Inference''' — використання навченої моделі для predictions.;== Multi-backend підхід ==

* dataset versioning;
* experiment tracking;
* model registry;
* CI/CD;
* automated tests;
* model validation;
* deployment;
* monitoring;
* drift detection;
* rollback;
* retraining pipeline;
* security scanning;
* documentation.; Subclassing корисний, коли потрібна повна гнучкість:

'''Transfer learning''' — це використання попередньо навченої моделі для нової задачі.; * '''Sequential API''' — простий спосіб створення послідовної моделі.; * '''compile()''' — метод конфігурація optimizer, loss і metrics.; * '''fit()''' — метод навчання моделі.; Keras дає високорівневий API, у якому типові задачі deep learning можна описати коротко й читабельно.; model.compile(
OpenVINO має змогу бути корисним для:



Приклад:



  • backend API;
    • 

  • batch processing;
    • 

  • mobile app;
    • 

  • web service;
    • 

  • recommendation engine;
    • 

  • document classifier;
    • 

  • AI-модулі бізнес-системи.;== Deployment ==


checkpoint = keras.callbacks.ModelCheckpoint(



Layer — базовий будівельний блок Keras-моделі.;

Тобто Keras не обов’язково є собою альтернативою PyTorch.; self.dense2 = layers.Dense(1)

model.fit(
офіційно затверджений Getting Started показує:
Приклад перевірки версії:



y_train,



Keras і MLOps


Keras і TensorFlow



завдяки наявності Keras Tuner користувачі можуть автоматизувати пошук кращої конфігурації моделі.; import keras



x_train,




Data leakage — це ситуація, коли відомості з test або validation set випадково потрапляє в training.; model.compile(

Layers можна комбінувати для створення neural networks.; )

Але tuning не замінює розуміння задачі.;== compile() ==



restore_best_weights=True



Повторюваність результатів у deep learning складна.;[1]




* простий API;
* швидке прототипування;
* навчання;
* portable model code;
* multi-backend;
* стандартні neural network workflows.; '''Sequential API''' — найпростіший спосіб створити модель у Keras.; * SGD;
* Adam;
* AdamW;
* RMSprop;
* Adagrad.;<ref>https://keras.io/api/models/model_saving_apis/</ref>

Приклад:

Keras — це один із найзручніших високорівневих інструментів для deep learning.; Він має змогу бути способом писати моделі у простішому стилі й запускати їх через PyTorch backend.; Варіанти:

* optimizer;
* loss function;
* metrics.; Keras FAQ окремо згадує питання про відновлення training після interrupt і зупинку навчання, коли validation loss перестає покращуватися.;== Keras Applications ==

 layers.Dense(10, activation="softmax")

Distributed training складніший за звичайний training і потребує досвіду.; '''Keras Hub''' — частина екосистеми Keras для роботи з pretrained models.;<ref>https://keras.io/api/</ref>

'''EarlyStopping''' зупиняє навчання, якщо модель перестала покращуватися.; Keras краще підходить для:

== Metrics ==

* простих моделей;
* навчальних прикладів;
* baseline;
* feed-forward neural networks;
* швидкого прототипування.; ML-моделі мають безпекові ризики.; * завантаженням чужих моделей;
* custom objects;
* неперевіреними datasets;
* model files із невідомих джерел;
* dependencies;
* adversarial examples;
* data leakage;
* privacy risks;
* модельними артефактами;
* production endpoints;
* prompt injection у LLM-системах поруч із моделлю.; # compile, fit, evaluate, predict.;== Export for inference ==

class MyModel(keras.Model):

'''Model subclassing''' — це спосіб створювати моделі через власний Python-клас.;


Distributed training


Preprocessing — це підготовка даних перед навчанням.; Keras 3 має distribution API для масштабування deep learning.; callbacks=[callback]

x = layers.Dense(64, activation="relu")(x)
Keras FAQ згадує transfer learning і fine-tuning як окрему тему.; Metrics — це показники якості моделі.;[2]
Після навчання модель потрібно розгорнути.; Keras сприяє:



Saving і serialization


save_best_only=True



PyTorch часто дає більше низькорівневої гнучкості, а Keras — простіший API для типових моделей.; Для Keras-проєкту MLOps має змогу включати:

Callbacks — це об’єкти, які виконують дії під час навчання.; Офіційна API-сторінка Keras згадує Keras Hub серед елементів екосистеми разом із Keras RS і Keras Tuner.; Приклад:



Практичний висновок


офіційно затверджений guide описує Keras distribution API як інтерфейс для distributed deep learning across JAX, TensorFlow і PyTorch, який підтримує роботу data і model parallelism.; TensorFlow варто обрати, якщо важливі:

Inference має змогу використовуватися в:
Вони можуть:



Loss functions


Keras не є собою ERP-системою.; Multi-backend означає, що один Keras API має змогу працювати з різними backend-фреймворками.;[3]



super().__init__()



Для production істотно зберігати:
import keras

import keras



  • створити модель;
    • 

  • compile;
    • 

  • fit;
    • 

  • evaluate.; Це істотно, якщо:


import keras

Keras застосовується для:

Недолік: такі моделі можуть бути складнішими для серіалізації, візуалізації й підтримки.; model = keras.Sequential([



Keras Tuner


Keras для навчання



* CPU inference;
* edge deployment;
* Intel hardware;
* production inference;
* оптимізації швидкості;
* локального inference.; * NumPy arrays;
* TensorFlow Dataset;
* PyTorch DataLoader;
* Pandas;
* custom generators;
* image datasets;
* text datasets;
* structured data.; Приклади:

test_loss, test_acc = model.evaluate(x_test, y_test)
Для зображень:
)

Для табличних даних:

# бере batch даних;
# робить prediction;
# рахує loss;
# рахує gradients;
# оновлює weights;
# повторює бізнес-процес;
# повертає history.; * TensorFlow;
* JAX;
* PyTorch;
* OpenVINO для inference-only сценаріїв.;== Preprocessing ==

 "best_model.keras",

Вони можуть використовуватися для:

У бізнесі Keras має змогу використовуватися для AI-компонентів:

* простий Python API;
* Sequential API;
* Functional API;
* model subclassing;
* compile / fit / evaluate / predict;
* layers;
* callbacks;
* transfer learning;
* Keras Applications;
* saving і serialization;
* Keras 3 multi-backend;
* TensorFlow, JAX, PyTorch backend;
* OpenVINO inference;
* distribution API;
* велика документація й спільнота.; Transfer learning корисний, коли:

* ResNet;
* MobileNet;
* EfficientNet;
* VGG;
* Inception;
* Xception;
* DenseNet.; * custom forward pass;
* складна логіка;
* умовні обчислення;
* research models;
* нестандартні шари;
* експериментальні архітектури.;<pre>

== Model subclassing ==

Keras особливо корисний тоді, коли потрібно оперативно створити модель, перевірити ідею й не писати багато низькорівневого коду.; * '''Callback''' — об’єкт, який виконує дії під час training.; Метод <code>fit()</code> запускає навчання моделі.; Distributed training корисний, коли:

 loss="sparse_categorical_crossentropy",

 layers.Input(shape=(784,)),
Оцінювання потрібно робити на даних, які модель не бачила під час навчання.;<ref>https://www.tensorflow.org/guide/keras</ref>

* MeanSquaredError — для регресії;
* BinaryCrossentropy — для binary classification;
* CategoricalCrossentropy — для класифікації one-hot labels;
* SparseCategoricalCrossentropy — для класифікації integer labels;
* MeanAbsoluteError — для регресії.;



Для тексту:



  • resize;
    • 

  • rescale;
    • 

  • crop;
    • 

  • augmentation;
    • 

  • normalization.;


Keras Tuner — інструмент для hyperparameter tuning.; model = keras.Model(inputs=inputs, outputs=outputs)
Keras варто обрати, якщо потрібні:

Keras documentation має окремий розділ Model export for inference, включно з export method і ExportArchive.;== Keras Hub ==



Що таке Keras


Цей приклад показує типовий Keras workflow:
У ньому задаються:

Він не веде обліковий облік, не проводить документи, не керує складом і не рахує фінансову логіку.;== predict() ==

Keras 3 цікавий тим, що надає можливість частково поєднати ці світи.; Типові моделі:

JAX відомий продуктивністю, JIT compilation і функціональним підходом до числових обчислень.; Це надає можливість писати Keras-код і використовувати різні backend-екосистеми залежно від задачі.; Приклад простої моделі для класифікації:



ModelCheckpoint


офіційно затверджений GitHub-репозиторій Keras зазначає, що Keras 3 — це multi-backend deep learning framework із підтримкою JAX, TensorFlow, PyTorch і OpenVINO для inference-only.; Приклад:



Reproducibility


Це має змогу зробити метрики штучно хорошими.; import keras



  1. зібрати інформаційні дані;
    2. 

  2. очистити інформаційні дані;
    3. 

  3. розділити train, validation і test;
    4. 

  4. побудувати модель;
    5. 

  5. скомпілювати модель;
    6. 

  6. навчити модель;
    7. 

  7. дивитися metrics;
    8. 

  8. покращити preprocessing або architecture;
    9. 

  9. використати callbacks;
    10. 

  10. зберегти модель;
    11. 

  11. протестувати inference;
    12. 

  12. розгорнути модель;
    13. 

  13. моніторити якість.; Для якісного навчання істотно не тільки завантажити інформаційні дані, а й правильно їх підготувати.; Keras Applications зручні, коли потрібно оперативно почати computer vision проєкт.;


як ілюстрація:

Layers виконують перетворення даних.; У Keras 3 ідея ширша: Keras стає API, який має змогу працювати з кількома ML-екосистемами.; Але Keras сам по собі не вирішує бізнес-задачу.; Для використання Keras 3 додатково потрібно встановити backend: JAX, TensorFlow або PyTorch.; * Overfitting — перенавчання моделі на training data.; * ModelCheckpoint — callback для збереження моделі.; офіційно затверджений реліз Keras 3.0 описує його як full rewrite of Keras, який надає можливість запускати Keras workflows поверх JAX, TensorFlow, PyTorch або OpenVINO для inference-only.; Keras і scikit-learn використовуються для різних рівнів ML.; Це корисно для команд, які люблять Keras API, але хочуть залишатися ближче до PyTorch-екосистеми.; Keras не захистить автономно від data leakage.; Distributed training — це навчання на кількох GPU, TPU або машинах.; Під час fit() Keras виконує training loop:
Loss застосовується для навчання, а metrics — для розуміння якості.; Keras і PyTorch часто порівнюють, але це не зовсім однаковий рівень абстракції.; * high-performance training;



  • research;
    • 

  • TPU;
    • 

  • large-scale training;
    • 

  • advanced compilation;
    • 

  • distributed workloads.; epochs=50,


Keras спрощує створення моделі, але MLOps потрібен для стабільної роботи в реальному бізнесі.; * high-performance numerical computing;



  • JIT;
    • 

  • functional style;
    • 

  • advanced research;
    • 

  • TPU workflows.; Це відповідальність ML-інженера.;[4]


Але її потрібно тестувати, бо іноді можуть виникати числові проблеми.; # layers.;== Головна ідея ==



  • нормалізація по всьому dataset до split;
    • 

  • дублікати в train і test;
    • 

  • future data у time series;
    • 

  • features, які фактично містять відповідь;
    • 

  • неправильний split по користувачах або клієнтах.; * Model subclassing — створення моделі через власний Python-клас.; * TensorFlow — ML-фреймворк Google, один із backend для Keras.; Sequential API добре підходить для:


Дивіться додатково


Mixed precision — це використання меншої числової точності, як ілюстрація float16 або bfloat16, для прискорення навчання й зменшення використання пам’яті.; Його головна перевага — простий, читабельний і продуктивний інтерфейс для роботи з моделями машинного навчання.; # Sequential API.;== Keras і PyTorch ==




У контексті ERP Keras має змогу бути допоміжним AI-шаром:




model = keras.Sequential([
Mixed precision корисна для:
Приклад:
inputs = keras.Input(shape=(100,))
Залежно від backend і задачі це можуть бути:
Keras довго був основним high-level API всередині TensorFlow, з цієї причини багато матеріалів досі говорять про <code>tf.keras</code>.; Для простих табличних задач scikit-learn має змогу бути кращим і простішим вибором.;<ref>https://keras.io/getting_started/faq/</ref>

Keras не є собою окремою бізнес-системою, чатботом або готовим AI-продуктом.; )

* TensorFlow backend — добре підходить для TensorFlow-екосистеми й deployment;
* JAX backend — часто цікавий для high-performance research і компіляції;
* PyTorch backend — зручний для команд, які вже працюють із PyTorch;
* OpenVINO backend — застосовують, коли потрібно для inference-only сценаріїв.; Adam часто застосовується як хороший стартовий варіант.; TensorFlow documentation описує Keras як high-level API для TensorFlow і радить починати з Sequential model, Functional API, training & evaluation, subclassing, serialization, preprocessing, callbacks і transfer learning.; У Офіційна документація Saving & serialization передбачено whole model saving & loading, weights-only saving & loading, model config serialization, model export for inference і serialization utilities.; Приклад:

from keras import layers

Keras довго був найвідомішим як high-level API для TensorFlow.; * '''Transfer learning''' — використання pretrained моделі для нової задачі.;<ref>https://github.com/keras-team/keras</ref>
== Functional API ==
x = layers.Dense(64, activation="relu")(inputs)
== Типові помилки при використанні Keras ==

Він підходить, коли модель є собою лінійною послідовністю layers: один шар передає результат наступному.;


metrics=["accuracy"]
metrics=["accuracy"]




Джерела


model.save("my_model.keras")



Functional API — гнучкіший спосіб створення моделей у Keras.; * EarlyStopping — callback для зупинки training при відсутності покращення.; * Optimizer — алгоритм актуалізація параметрів моделі.;

  • більше даних;
    • 

  • data augmentation;
    • 

  • dropout;
    • 

  • regularization;
    • 

  • EarlyStopping;
    • 

  • простіша модель;
    • 

  • transfer learning;
    • 

  • кращий train/validation split.;


  • backend API;
    • 

  • TensorFlow Serving;
    • 

  • TensorFlow Lite;
    • 

  • ONNX або інший export;
    • 

  • OpenVINO inference;
    • 

  • batch pipeline;
    • 

  • cloud ML service;
    • 

  • mobile app;
    • 

  • edge device;
    • 

  • internal service.; Keras надає можливість зберігати й завантажувати моделі.; Це означає, що він призначений для запуску вже навчених моделей, а не для training.;== Overfitting ==


callback = keras.callbacks.EarlyStopping(

predictions = model.predict(x_new)



self.dense1 = layers.Dense(64, activation="relu")



  • accuracy;
    • 

  • precision;
    • 

  • recall;
    • 

  • AUC;
    • 

  • mean absolute error;
    • 

  • mean squared error;
    • 

  • top-k accuracy.; Keras 3 робить акцент на сумісності з різними фреймворками й даними.; Підтримувані backend у Keras 3:


Keras-модель — це програмний артефакт.; # transfer learning.; # callbacks.; patience=5,



  • прогнозування попиту;
    • 

  • класифікація звернень;
    • 

  • аналіз зображень;
    • 

  • anomaly detection;
    • 

  • recommendation systems;
    • 

  • churn prediction;
    • 

  • time series forecasting;
    • 

  • sentiment analysis;
    • 

  • fraud detection;
    • 

  • OCR pipeline;
    • 

  • customer segmentation;
    • 

  • speech or audio models.; * PyTorch — ML-фреймворк, який має змогу бути backend у Keras 3.;[5]

як ілюстрація, у K2 ERP модель на Keras могла б допомагати з прогнозуванням або класифікацією даних, але правила проведення документів, права доступу й фінансова логіка мають залишатися в контрольованій ERP-архітектурі.;

Потрібно бути обережним із:

Але він не підходить для складних архітектур із кількома входами, кількома виходами або skip connections.; * preprocessing;
* postprocessing;
* monitoring;
* versioning;
* latency control;
* security;
* logging;
* fallback;
* rollback.; Keras найкраще використовувати там, де потрібна швидкість, ясність і продуктивність у створенні нейронних мереж.;<ref>https://keras.io/api/</ref>

Вона показує, наскільки prediction моделі відрізняється від правильного результату.;== Коли Keras має змогу бути зайвим ==




  • зберегти всю модель;
    • 

  • зберегти тільки weights;
    • 

  • серіалізувати config;
    • 

  • експортувати для inference;
    • 

  • завантажити модель у production.; # Functional API.; ModelCheckpoint зберігає модель під час навчання.; * TensorFlow Serving;
    • 

  • TFLite;
    • 

  • TensorFlow.js;
    • 

  • зрілий production deployment.; * MLOps — практики розгортання, моніторингу й супроводу ML-моделей.; * Layer — шар нейронної мережі.;== Keras і PyTorch / TensorFlow / JAX: як обрати ==


  • normalization;
    • 

  • categorical encoding;
    • 

  • missing values;
    • 

  • feature engineering.; layers.Dense(64, activation="relu"),


офіційно затверджений GitHub Keras зазначає, що Keras 3 доступний на PyPI як keras, а Keras 2 залишається доступним як tf-keras.; * predict() — метод отримання predictions.; як ілюстрація, можна взяти модель, навчeну на великому наборі зображень, і fine-tune її для класифікації власних категорій.; * код;



  • версії залежностей;
    • 

  • seed;
    • 

  • dataset version;
    • 

  • preprocessing;
    • 

  • model config;
    • 

  • weights;
    • 

  • metrics.; це високорівневий фреймворк; додатково реалізовано який надає можливість створювати, навчати, оцінювати, зберігати й розгортати нейронні мережі за допомогою зрозумілого Python API виступає ключовою рисою deep learning забезпечується через Keras.;


* EarlyStopping;
* ModelCheckpoint;
* ReduceLROnPlateau;
* TensorBoard;
* CSVLogger.; Приклад:



Keras із PyTorch backend має змогу бути цікавим для:


Якщо validation loss не покращується 5 epochs, training зупиниться.;

Його обмеження:

Якщо backend не встановлений або неправильно налаштований, Keras не зможе виконувати обчислення.; * Loss function — функція помилки.; Це корисно, якщо команда хоче:


fit()

Приклади:

* image classification;
* feature extraction;
* transfer learning;
* fine-tuning;
* baseline experiments.; MLOps — це практики керування ML-моделями в production.; Якщо інформаційні дані погані або метрика неправильна, tuning не врятує модель.; * Metric — показник якості моделі.; Keras зручний тим, що надає можливість оперативно побачити результат і не загрузнути в низькорівневих деталях на першому етапі.; # NumPy.;== Mixed precision ==

як ілюстрація:


Keras і OpenVINO


Data loading


Він надає можливість описувати складні архітектури:

loaded_model = keras.models.load_model("my_model.keras")

* learning rate;
* batch size;
* number of layers;
* number of units;
* dropout rate;
* optimizer;
* activation functions.; loss="mse"


Data leakage

Keras надає можливість розділити API моделі й backend execution.; Головна ідея Keras — зробити створення нейронних мереж простішим і зрозумілішим.; from keras import layers

 optimizer="adam",

# Python.; Keras documentation охоплює model export for inference як окремий напрям saving і serialization.; PyTorch — нижчий і гнучкіший ML-фреймворк.; Способи боротьби:

 optimizer="adam",

OpenVINO backend у Keras 3 згадується як inference-only.;
Keras має змогу бути зайвим, якщо задача вирішується:

Не кожна ML-задача потребує Keras.; Keras добре підходить для навчання deep learning.; Він дає простий шлях від ідеї до моделі, але якість результату все одно залежить від даних, постановки задачі, метрик, тестування й відповідального deployment.; * максимальна гнучкість;
* низькорівневий контроль;
* custom training loop;
* research-style код.; loss="sparse_categorical_crossentropy",

* писати більш portable ML-код;
* тестувати різні backend;
* використовувати JAX для performance;
* використовувати TensorFlow для deployment;
* використовувати PyTorch-екосистему;
* запускати inference через OpenVINO;
* зменшити залежність від одного фреймворку.; * OpenVINO — inference toolkit, який Keras 3 підтримує роботу для inference-only сценаріїв.; Метод compile() готує модель до навчання.;[6]

* training loss зменшується;
* validation loss перестає покращуватися або зростає;
* training accuracy висока;
* validation accuracy низька.; Keras особливо корисний для:


Безпека моделей

Scikit-learn добре підходить для:



* створювати моделі;
* додавати layers;
* компілювати модель;
* задавати optimizer;
* задавати loss function;
* навчати модель через fit();
* оцінювати через evaluate();
* робити predictions через predict();
* використовувати callbacks;
* зберігати й завантажувати моделі;
* експортувати модель для inference;
* працювати з TensorFlow, JAX або PyTorch backend;
* масштабувати навчання;
* будувати production-ready AI-компоненти.; # бази machine learning.; Overfitting — це ситуація, коли модель добре функціонує на training data, але погано на нових даних.; Її потрібно перевіряти, версіонувати й супроводжувати як частину software system.; Приклад:





* Keras — високорівневий Python API для deep learning.; monitor="val_loss",

* даних мало;
* потрібно оперативно отримати baseline;
* модель із нуля тренувати дорого;
* задача схожа на вже відому;
* потрібна висока якість без великих витрат.; Keras має preprocessing layers, які можна включати прямо в модель або pipeline.; Він лише повертає прогноз для нових даних.;== Keras 3 ==

Loss function — це функція помилки.;compile() відповідає на питання: як саме модель буде навчатися і як ми будемо вимірювати якість.;
Keras і PyTorch: не конкуренти в лоб

])


EarlyStopping

 def call(self, inputs):

pip install --upgrade keras

Keras 3 є собою multi-backend фреймворком: він має змогу працювати поверх JAX, TensorFlow, PyTorch, а додатково OpenVINO для inference-only сценаріїв.; [7]

    

  1. ↑ https://keras.io/keras_3/

    2. 

  2. ↑ https://keras.io/api/

    3. 

  3. ↑ https://keras.io/getting_started/faq/

    4. 

  4. ↑ https://keras.io/api/models/model_saving_apis/

    5. 

  5. ↑ https://github.com/keras-team/keras

    6. 

  6. ↑ https://keras.io/guides/distribution/

    7. 

  7. ↑ https://keras.io/getting_started/

    8. 









Отримано з https://wiki.corp2.eu/index.php?title=Keras&oldid=1235