开始使用 Keras

学习资源

您是一名寻找 Keras 介绍的一页纸的机器学习工程师吗？ 阅读我们的指南 工程师的 Keras 入门。

想了解更多关于 Keras 3 及其功能的信息？请查看 Keras 3 发布公告。

您是否在寻找详细指南，涵盖不同部分的 Keras API 深入使用？ 阅读我们的 Keras 开发者指南。

您是否在寻找展示 Keras 在各种用例中的应用的教程？ 查看 Keras 代码示例：超过 150 个解释清晰的笔记本，展示 Keras 在计算机视觉、自然语言处理和生成 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：

• 安装 JAX
• 安装 TensorFlow
• 安装 PyTorch

如果您安装 TensorFlow 2.15，则应在之后重新安装 Keras 3。原因是 tensorflow==2.15 将覆盖您的 Keras 安装，变成 keras==2.15。 对于 TensorFlow 2.16 及以后的版本，此步骤不是必要的，因为从 TensorFlow 2.16 开始，将默认安装 Keras 3。

安装 KerasCV 和 KerasNLP

可以通过 pip 安装 KerasCV 和 KerasNLP：

pip install --upgrade keras-cv
pip install --upgrade keras-nlp
pip install --upgrade keras

配置您的后端

您可以导出环境变量 KERAS_BACKEND 或您可以编辑本地配置文件 ~/.keras/keras.json 来配置您的后端。 可用的后端选项有："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，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，GPU 应该已经配置好，并且有正确的 CUDA 版本。 在 Colab 或 Kaggle 上安装较新版本的 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"，使任何后端都可以使用 GPU，我们建议遵循 Colab 使用的依赖版本 （这正是为了解决这个问题）。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 贡献者并正在运行 Keras 测试，建议使用此设置。它安装所有后端，但只 允许一个后端同时访问 GPU，从而避免后端之间潜在的依赖要求冲突。 您可以使用以下特定于后端的要求文件：

• requirements-jax-cuda.txt
• requirements-tensorflow-cuda.txt
• requirements-torch-cuda.txt

这些文件通过 pip 安装所有支持 CUDA 的依赖项。它们期望预先安装 NVIDIA 驱动程序。 我们建议为每个后端提供一个干净的 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 环境的方法：

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

从 TensorFlow 2.0 到 TensorFlow 2.15（包括），执行 pip install tensorflow 也会 安装相应版本的 Keras 2 – 例如，pip install tensorflow==2.14.0 将 安装 keras==2.14.0。然后，通过 import keras 和 from tensorflow import keras （即 tf.keras 命名空间）都可以使用该版本的 Keras。

从 TensorFlow 2.16 开始，执行 pip install tensorflow 将安装 Keras 3。当您有 TensorFlow >= 2.16时 并且 Keras 3，因此默认情况下 from tensorflow import keras (tf.keras) 将是 Keras 3。

与此同时，遗留的 Keras 2 包仍在定期发布，并可以在 PyPI 上找到，名为 tf_keras （或者等效地 tf-keras – 注意，- 和 _ 在 PyPI 包名中是等价的）。 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。

如果您希望 tf.keras 在升级到 TensorFlow 2.16+ 后保持在 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：

1. 确保安装 tf_keras。注意，TensorFlow 默认不安装它。
2. 导出环境变量 TF_USE_LEGACY_KERAS=1。

导出环境变量有几种方法：

1. 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。
2. 您可以将 export TF_USE_LEGACY_KERAS=1 添加到您的 .bashrc 文件中。这样在您重启 shell 时变量仍会被导出。
3. 您可以使用以下代码启动您的 Python 脚本：

import os
# 设置环境变量为“1”
os.environ["TF_USE_LEGACY_KERAS"] = "1"

这些行需要在任何 import tensorflow 语句之前。

兼容性矩阵

JAX 兼容性

以下 Keras + JAX 版本互相兼容：

• jax==0.4.20 & keras~=3.0

TensorFlow 兼容性

以下 Keras + TensorFlow 版本互相兼容：

要使用 Keras 2：

• tensorflow~=2.13.0 & keras~=2.13.0
• tensorflow~=2.14.0 & keras~=2.14.0
• tensorflow~=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 版本互相兼容：

• torch~=2.1.0 & keras~=3.0