您是正在寻找 Keras 入门单页介绍的机器学习工程师吗？请阅读我们的指南 面向工程师的 Keras 入门介绍。
想了解更多关于 Keras 3 及其功能的信息吗？请参阅 Keras 3 发布公告。
您是否在寻找涵盖 Keras API 各个部分深入用法的详细指南？请阅读我们的 Keras 开发者指南。
您是否在寻找展示 Keras 在各种用例中实际应用的教程？请参阅 Keras 代码示例：超过 150 个精心讲解的笔记本，演示了 Keras 在计算机视觉、自然语言处理和生成式 AI 中的最佳实践。
您可以通过 PyPI 安装 Keras
pip install --upgrade keras
您可以通过以下方式查看本地 Keras 版本号
import keras
print(keras.__version__)
要使用 Keras 3，您还需要安装一个后端框架——JAX、TensorFlow 或 PyTorch
如果您安装了 TensorFlow 2.15，则应该之后重新安装 Keras 3。原因是 tensorflow==2.15 会用 keras==2.15 覆盖您的 Keras 安装。对于 TensorFlow 2.16 及更高版本，此步骤不是必需的，因为从 TensorFlow 2.16 开始，它将默认安装 Keras 3。
KerasCV 和 KerasHub 可以通过 pip 安装
pip install --upgrade keras-cv
pip install --upgrade keras-hub
pip install --upgrade keras
您可以导出环境变量 KERAS_BACKEND，或者编辑本地配置文件 ~/.keras/keras.json 来配置您的后端。可用的后端选项是："jax"、"tensorflow"、"torch"。示例
export KERAS_BACKEND="jax"
在 Colab 中，您可以这样做
import os
os.environ["KERAS_BACKEND"] = "jax"
import keras
注意： 后端必须在导入 Keras 之前配置好，并且后端在包导入后无法更改。
如果您在 Colab 或 Kaggle 上运行，GPU 应该已经配置好，并具有正确的 CUDA 版本。在 Colab 或 Kaggle 上安装更高版本的 CUDA 通常是不可能的。尽管存在 pip 安装程序，但它们依赖于预先安装的 NVIDIA 驱动程序，并且无法在 Colab 或 Kaggle 上更新驱动程序。
如果您想尝试创建一个“通用环境”，让任何后端都可以使用 GPU，我们建议遵循 Colab 使用的依赖版本（该环境旨在解决这个问题）。您可以 从这里 安装 CUDA 驱动程序，然后按照各自的 CUDA 安装说明通过 pip 安装后端：安装 JAX、安装 TensorFlow、安装 PyTorch。
如果您是 Keras 贡献者并正在运行 Keras 测试，建议采用此设置。它会安装所有后端，但一次只允许一个后端访问 GPU，避免了后端之间可能存在的冲突依赖项要求。您可以使用以下特定于后端的配置文件
这些文件通过 pip 安装所有支持 CUDA 的依赖项。它们要求预装 NVIDIA 驱动程序。我们建议为每个后端使用干净的 Python 环境，以避免 CUDA 版本不匹配。例如，以下是如何使用 Conda 创建 JAX GPU 环境
conda create -y -n keras-jax python=3.10
conda activate keras-jax
pip install -r requirements-jax-cuda.txt
pip install --upgrade keras
从 TensorFlow 2.0 到 TensorFlow 2.15（含），执行 pip install tensorflow 也会安装相应版本的 Keras 2——例如，pip install tensorflow==2.14.0 会安装 keras==2.14.0。然后该版本的 Keras 可通过 import keras 和 from tensorflow import keras（tf.keras 命名空间）访问。
从 TensorFlow 2.16 开始，执行 pip install tensorflow 将安装 Keras 3。当您拥有 TensorFlow >= 2.16 和 Keras 3 时，默认情况下 from tensorflow import keras（tf.keras）将是 Keras 3。
与此同时，旧版 Keras 2 包仍在定期发布，并可通过 PyPI 获得，名称为 tf_keras（或同等名称 tf-keras——请注意，- 和 _ 在 PyPI 包名称中是等效的）。要使用它，您可以通过 pip install tf_keras 安装，然后通过 import tf_keras as keras 导入。
如果您希望在升级到 TensorFlow 2.16+ 后 tf.keras 保持 Keras 2，您可以配置您的 TensorFlow 安装，使 tf.keras 指向 tf_keras。要实现这一点
tf_keras。请注意，TensorFlow 默认不安装它。TF_USE_LEGACY_KERAS=1。有几种方法可以导出环境变量
export TF_USE_LEGACY_KERAS=1。export TF_USE_LEGACY_KERAS=1 添加到您的 .bashrc 文件中。这样，当您重新启动 shell 时，该变量仍将被导出。import os
os.environ["TF_USE_LEGACY_KERAS"] = "1"
这些行需要在任何 import tensorflow 语句之前。
以下 Keras + JAX 版本彼此兼容
jax==0.4.20 & keras~=3.0以下 Keras + TensorFlow 版本彼此兼容
使用 Keras 2
tensorflow~=2.13.0 & keras~=2.13.0tensorflow~=2.14.0 & keras~=2.14.0tensorflow~=2.15.0 & keras~=2.15.0使用 Keras 3
tensorflow~=2.16.1 & keras~=3.0以下 Keras + PyTorch 版本彼此兼容
torch~=2.1.0 & keras~=3.0