Keras 配置方法

FreeGuideOnline 最新 2026-07-16

什么是 Keras

Keras 是一个用 Python 编写的高级神经网络 API，能够以 TensorFlow、Theano 或 CNTK 作为后端运行。它的设计原则是用户友好、模块化和可扩展，让开发者可以快速实现深度学习模型的构建与实验。从 TensorFlow 2.0 开始，Keras 被正式整合为 TensorFlow 的核心高层接口，使用 tf.keras 模块成为官方推荐的实践方式。

在本教程中，你将学会如何在自己的计算机上配置 Keras 开发环境，重点是基于 TensorFlow 后端的安装与验证。无论你是完全从零开始，还是希望在不同操作系统上复现深度学习项目，这份指南都会为你提供清晰、可操作的步骤。

准备工作：搭建 Python 虚拟环境

在安装 Keras 之前，强烈建议创建一个独立的 Python 虚拟环境。这可以避免不同项目之间的包依赖冲突，并让环境管理更清爽。

使用 venv 创建环境（Python 3.3+ 内置）

打开终端（Linux/macOS）或命令提示符（Windows），执行以下命令：

# 创建一个名为 keras_env 的虚拟环境
python3 -m venv keras_env

激活虚拟环境

Linux / macOS：
```
source keras_env/bin/activate
```
Windows：
```
keras_env\Scripts\activate
```

激活成功后，命令行前面会出现 (keras_env) 标识。此时所有安装的包都会被隔离在这个环境里。

使用 Conda（可选）

如果你习惯使用 Anaconda 或 Miniconda，也可以创建 Conda 环境：

conda create -n keras_env python=3.9
conda activate keras_env

提示：本教程假设你使用的是基于 venv 的虚拟环境，但 Conda 的操作思路完全一致。

安装 TensorFlow（Keras 的推荐后端）

在 TensorFlow 2.x 中，Keras 已经成为其核心组成部分，因此安装 Keras 实质上就是安装 TensorFlow。

安装 CPU 版本（适合大多数学习场景）

pip install tensorflow

这会自动安装最新稳定版本的 TensorFlow 以及它所依赖的 Keras 模块。

安装 GPU 版本（需要 NVIDIA GPU）

如果你拥有支持 CUDA 的 NVIDIA 显卡并希望使用 GPU 加速，可以安装 GPU 版本的 TensorFlow：

pip install tensorflow[and-cuda]

注意：TensorFlow 2.15 及之后版本的 GPU 支持方式有所改变，请参考官方文档以确认 CUDA 和 cuDNN 的版本兼容性。对于大多数初学者，建议先用 CPU 版本入手，等模型规模增大时再考虑 GPU。

安装过程会自动处理依赖，例如 numpy、h5py 等。等待安装完成后，我们可以验证环境是否正常。

验证 Keras 是否配置成功

激活你的虚拟环境，进入 Python 交互式解释器，执行以下测试。

步骤 1：启动 Python 并检查版本

python

进入交互模式后，输入：

import tensorflow as tf
print("TensorFlow 版本：", tf.__version__)

# 检查 Keras 是否可用
from tensorflow import keras
print("Keras 版本：", keras.__version__)

如果一切正常，你会看到类似如下的输出（版本号可能更新）：

TensorFlow 版本： 2.16.1
Keras 版本： 3.3.3

步骤 2：快速功能测试 —— 构建一个简单模型

在同一个 Python 会话中继续输入：

# 创建一个顺序模型
model = keras.Sequential([
    keras.layers.Dense(10, activation='relu', input_shape=(784,)),
    keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 打印模型的摘要信息
model.summary()

能够看到模型的结构信息，且没有报错，就说明 Keras 环境已经成功配置。

步骤 3：测试 GPU 可用性（如果安装了 GPU 版本）

如果你安装了 tensorflow[and-cuda]，可以测试 GPU 是否被检测到：

print("GPU 可用数量：", len(tf.config.list_physical_devices('GPU')))

如果显示至少 1 个 GPU 设备，则 GPU 配置成功。

可能遇到的常见问题及解决方法

问题 1：`pip install tensorflow` 时报错或安装缓慢

解决方法：使用国内镜像源加速安装，例如清华源：
```
pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple
```

问题 2：虚拟环境激活后仍然提示找不到 `tensorflow`

确认当前是否在正确的虚拟环境中，检查 which python（Linux/macOS）或 where python（Windows）的输出路径是否指向 keras_env 目录内的 Python 解释器。
如果路径不对，重新激活环境或检查环境的创建方式。

问题 3：导入 `tensorflow` 时出现 DLL 加载失败（Windows 常见）

这通常是因为系统缺少 Visual C++ 可再发行组件包。请从微软官方网站下载并安装最新的 Visual C++ Redistributable。

问题 4：安装 GPU 版本后仍然使用 CPU 运行

检查 NVIDIA 驱动是否安装且版本足够新。
检查 CUDA 和 cuDNN 是否与所安装的 TensorFlow 版本兼容。
对于初学者，建议暂时不用 GPU，模型训练如果遇到性能瓶颈再按需配置。

管理多个 Keras 版本的最佳实践

如果你需要同时使用 Keras 2.x （tf.keras）和独立版的 keras 包（Keras 3.x），建议为每个项目创建独立的虚拟环境，并在其中安装对应的依赖。

例如：

项目 A（使用 TensorFlow 2.16 内置的 Keras 3）：

python3 -m venv projA
source projA/bin/activate
pip install tensorflow

项目 B（使用独立的 Keras 包，后端为 JAX）：

python3 -m venv projB
source projB/bin/activate
pip install keras

在虚拟环境中分别操作，可以完全隔离包版本，不会相互干扰。

下一步：开始你的第一个深度学习项目

配置好 Keras 之后，你可以：

学习经典的 MNIST 手写数字识别示例（官方文档中提供）。
尝试用 keras.Sequential 构建简单的全连接网络。
查阅 Keras 官方指南，了解函数式 API 和子类化模型。