Functional API и сравнение с PyTorch

Финальный урок: Functional API для нестандартных сетей и честное сравнение Keras с PyTorch.

Functional API — это способ описывать модели как граф, соединяя слои явно, что позволяет строить сети с несколькими входами/выходами и ветвлениями, недоступными в Sequential.

Sequential хорош для прямой цепочки, но реальные архитектуры (ResNet со skip-связями, многовходовые модели) — это графы. Для них Keras даёт Functional API. А в конце честно сравним Keras с главным конкурентом — PyTorch.

Functional API

Идея: вы создаёте Input, пропускаете его через слои как через функции и собираете Model из входа и выхода (требует TF):

from tensorflow.keras import layers, Model, Input

inputs = Input(shape=(784,))
x = layers.Dense(64, activation="relu")(inputs)
x = layers.Dense(64, activation="relu")(x)
outputs = layers.Dense(10, activation="softmax")(x)

model = Model(inputs=inputs, outputs=outputs)
model.compile(optimizer="adam", loss="sparse_categorical_crossentropy")

Главное отличие от Sequential — слой вызывается как функция от предыдущего тензора, поэтому можно делать ветвления и объединения:

# skip-связь (упрощённо)
branch = layers.Dense(64, activation="relu")(x)
merged = layers.add([x, branch])   # сложение двух веток

Keras против PyTorch — честно

Критерий	Keras / TF	PyTorch
Стиль	декларативный, лаконичный	императивный, гибкий
Цикл обучения	готовый `fit()`	пишется вручную
Порог входа	ниже, быстрый старт	выше, больше контроля
Исследования	реже	де-факто стандарт в науке
Продакшн/мобайл	сильная экосистема (Lite, Serving)	догнала (TorchScript, ExecuTorch)
Отладка	проще на верхнем уровне	очень удобна (обычный Python)

Тот же слой в двух фреймворках

Keras:

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

PyTorch (для сравнения, это не TF-код):

import torch.nn as nn
nn.Sequential(nn.Linear(in_features, 64), nn.ReLU())

В Keras активация — параметр слоя; в PyTorch она обычно отдельный модуль. В Keras обучение — один fit(); в PyTorch вы сами пишете цикл с loss.backward() и optimizer.step().

Как работает под капотом

Functional API строит явный граф вычислений: каждый вызов слоя добавляет узел, и Keras знает все связи заранее — поэтому может проверить совместимость форм и красиво нарисовать модель. PyTorch же строит граф динамически на каждом forward pass («define-by-run»), что даёт максимальную гибкость для нестандартной логики (циклы, условия внутри сети), но требует от вас писать цикл обучения руками.

Частые ошибки

Брать Sequential для графовой сети. Ветвления и несколько входов требуют Functional API.
Считать, что один фреймворк «лучше». Выбор зависит от задачи: быстрый прод-прототип — Keras, гибкие исследования — PyTorch.
Смешивать API в коде PyTorch и TF. Это разные экосистемы; модель пишут на одном.

Итог

Functional API описывает сеть как граф — для ветвлений, skip-связей и нескольких входов/выходов.
Слой вызывается как функция от предыдущего тензора.
Keras — декларативный и быстрый старт с готовым fit(); PyTorch — императивный, гибкий, со своим циклом обучения.
Выбор фреймворка — это задача и команда, а не «кто лучше вообще».