Keras 入门
学习资源
您是否是一名机器学习工程师，正在寻找 Keras 的单页介绍？请阅读我们的指南工程师 Keras 简介。
想了解更多关于 Keras 3 及其功能的信息？请参阅Keras 3 发布公告。
您是否正在寻找涵盖 Keras API 不同部分的深入使用的详细指南？请阅读我们的Keras 开发者指南。
您是否正在寻找展示 Keras 在各种用例中应用的教程？请参阅Keras 代码示例：超过 150 个解释清晰的笔记本，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。
安装 Keras 3
您可以通过 PyPI 安装 Keras：
pip install --upgrade keras
您可以通过以下方式检查本地 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，则应之后重新安装 Keras 3。原因是 tensorflow==2.15 将使用 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。
安装 KerasCV 和 KerasHub
KerasCV 和 KerasHub 可以通过 pip 安装：
pip install --upgrade keras-cv
pip install --upgrade keras-hub
pip install --upgrade keras
配置您的后端
您可以导出环境变量 KERAS_BACKEND，或者您可以编辑位于 ~/.keras/keras.json 的本地配置文件来配置您的后端。可用的后端选项包括："jax"、"tensorflow"、"torch"。示例：
export KERAS_BACKEND="jax"
在 Colab 中，您可以执行以下操作：
import os
os.environ["KERAS_BACKEND"] = "jax"
import keras
注意：必须在导入 Keras 之前配置后端，并且在导入包后无法更改后端。
GPU 依赖项
Colab 或 Kaggle
如果您在 Colab 或 Kaggle 上运行，则 GPU 应该已经配置好，并具有正确的 CUDA 版本。通常无法在 Colab 或 Kaggle 上安装更新版本的 CUDA。即使存在 pip 安装程序，它们也依赖于预安装的 NVIDIA 驱动程序，并且无法在 Colab 或 Kaggle 上更新驱动程序。
通用 GPU 环境
如果您想尝试创建一个“通用环境”，其中任何后端都可以使用 GPU，我们建议遵循Colab 使用的依赖项版本（它试图解决此确切问题）。您可以从此处安装 CUDA 驱动程序此处，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
最稳定的 GPU 环境
如果您是 Keras 贡献者并且正在运行 Keras 测试，则推荐此设置。它安装所有后端，但一次仅允许一个后端访问 GPU，避免了后端之间可能存在的冲突的依赖项要求。您可以使用以下特定于后端的 requirements 文件：
这些通过 pip 安装所有支持 CUDA 的依赖项。它们期望预安装 NVIDIA 驱动程序。我们建议为每个后端使用一个干净的 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
TensorFlow + Keras 2 向后兼容性
从 TensorFlow 2.0 到 TensorFlow 2.15（包括），执行 pip install tensorflow 也会安装相应的 Keras 2 版本 - 例如，pip install tensorflow==2.14.0 将安装 keras==2.14.0。然后可以通过 import keras 和 from tensorflow import keras（tf.keras 命名空间）访问该版本的 Keras。
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。
同时，旧版 Keras 2 包仍在定期发布，并且可以在 PyPI 上作为 tf_keras（或等效的 tf-keras - 请注意，PyPI 包名称中 - 和 _ 是等效的）获得。要使用它，您可以通过 pip install tf_keras 安装它，然后通过 import tf_keras as keras 导入它。
如果您希望在升级到 TensorFlow 2.16+ 后 tf.keras 保持在 Keras 2 上，您可以配置您的 TensorFlow 安装，以便 tf.keras 指向 tf_keras。为此，
- 确保已安装
tf_keras。请注意，TensorFlow 不会默认安装它。 - 导出环境变量
TF_USE_LEGACY_KERAS=1。
有多种方法可以导出环境变量：
- 您可以在启动 Python 解释器之前简单地运行 shell 命令
export TF_USE_LEGACY_KERAS=1。 - 您可以将
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。 - 您可以使用以下命令启动您的 Python 脚本：
import os
os.environ["TF_USE_LEGACY_KERAS"] = "1"
这些行需要位于任何 import tensorflow 语句之前。
兼容性矩阵
JAX 兼容性
以下 Keras + JAX 版本彼此兼容：
jax==0.4.20&keras~=3.0
TensorFlow 兼容性
以下 Keras + TensorFlow 版本彼此兼容：
要使用 Keras 2：
tensorflow~=2.13.0&keras~=2.13.0tensorflow~=2.14.0&keras~=2.14.0tensorflow~=2.15.0&keras~=2.15.0
要使用 Keras 3：
tensorflow~=2.16.1&keras~=3.0
PyTorch 兼容性
以下 Keras + PyTorch 版本彼此兼容：
torch~=2.1.0&keras~=3.0