Keras 环境搭建全教程

Keras 是一个高层神经网络 API，它能够以 TensorFlow、Theano 或 CNTK 作为后端运行。99% 的新项目都直接使用 TensorFlow 内置的 Keras API，因为它无缝集成、更新及时且官方支持最好，本教程将以 TensorFlow 内置 Keras 为核心。

第一步：准备工作

在开始安装之前,请确保你的电脑满足以下基本要求：

1. 操作系统：

   • Windows (推荐 Windows 10/11)
   • macOS (推荐 macOS 10.14+)
   • Linux (推荐 Ubuntu 18.04+)

2. Python 环境：

   • Keras 需要 Python 3.6 到 3.10 版本（具体版本请参考 TensorFlow 官方文档 的最新要求）。
   • 强烈建议使用虚拟环境（如 venv 或 conda）来管理项目依赖，避免不同项目之间的库版本冲突。

第二步：安装 Python

如果你的电脑还没有安装 Python，或者版本不合适，请按以下步骤操作：

1. 下载安装包：

   • 访问 Python 官方网站：https://www.python.org/downloads/
   • 下载适合你操作系统的最新稳定版 Python。

2. 安装 Python (关键步骤)：

   • Windows: 运行下载的 .exe 文件。在安装界面，务必勾选 "Add Python to PATH" 选项，这会让你从命令行直接使用 python 命令，否则后续操作会很麻烦。
   • macOS / Linux: 通常系统自带 Python，但版本可能过旧，推荐使用 pyenv 等工具来管理多版本 Python，或者直接从官网下载源码编译安装。

3. 验证安装：

   • 打开终端（Windows 下为 cmd 或 PowerShell，macOS/Linux 下为 Terminal）。
   • 输入以下命令,如果显示 Python 版本号，则表示安装成功：

     python --version

     注意：在部分系统上，命令可能是 python3 --version，为了统一，后续教程将使用 python，如果你的系统不行，请替换为 python3。

     
     （图片来源网络，侵删）

第三步：创建并激活虚拟环境 (强烈推荐)

这是保持项目环境干净、隔离的最佳实践。

使用 Python 内置的 venv

1. 创建虚拟环境： 在你的项目文件夹下，打开终端，运行：

   # my_project_folder 是你的项目文件夹名
   python -m venv my_project_folder/venv 

   这会在 my_project_folder 目录下创建一个名为 venv 的文件夹，里面包含了独立的 Python 环境。

2. 激活虚拟环境：

   • Windows (cmd):

     my_project_folder\venv\Scripts\activate

   • Windows (PowerShell):

     my_project_folder\venv\Scripts\Activate.ps1

   • macOS / Linux:

     source my_project_folder/venv/bin/activate

     激活后,你的终端提示符前会出现 (venv) 字样，表示你已在这个虚拟环境中。

使用 Anaconda (数据科学首选)

如果你主要从事数据科学、机器学习，Anaconda 是一个更强大的选择，因为它自带了 conda 包管理器和大量科学计算库。

1. 下载并安装 Anaconda：

   • 访问 Anaconda 官网 下载适合你系统的安装包。

2. 创建 Conda 环境： 打开 Anaconda Prompt (Windows) 或终端 (macOS/Linux)，运行：

   # 创建一个名为 tf_env 的环境，指定 Python 版本为 3.9
   conda create -n tf_env python=3.9

3. 激活 Conda 环境：

   # Windows
   activate tf_env
   # macOS / Linux
   source activate tf_env

第四步：安装 TensorFlow (Keras 的后端)

你在一个干净、隔离的环境中，可以开始安装 TensorFlow 了，打开你已激活虚拟环境的终端。

1. 安装 TensorFlow： 运行以下 pip 命令：

   pip install tensorflow

   • tensorflow: 安装完整版，包含 CPU 和 GPU 支持（如果你有 NVIDIA 显卡并配置了 CUDA/cuDNN）。
   • tensorflow-cpu: 如果你没有 NVIDIA 显卡，或者只想在 CPU 上运行（速度较慢，但适合学习和测试），可以安装这个版本，安装更快，体积也更小。

     pip install tensorflow-cpu

2. 等待安装完成： pip 会自动下载并安装 TensorFlow 以及其所有依赖项，如 NumPy, absl-py 等，这可能需要几分钟时间，具体取决于你的网络速度。

第五步：安装其他常用库

Keras 本身不处理数据加载和预处理，通常你会用到以下库：

pip install numpy pandas scikit-learn matplotlib

• numpy: 科学计算基础库，用于处理多维数组。
• pandas: 用于处理表格数据（如 CSV 文件）。
• scikit-learn: 提供了许多机器学习工具和数据预处理工具。
• matplotlib: 用于数据可视化。

第六步：验证安装

这是最关键的一步,确保一切配置正确。

1. 打开 Python 交互式环境： 在你的终端（确保虚拟环境已激活）中输入：

   python

2. 导入并测试 TensorFlow： 在 Python 提示符 (>>>) 下，依次输入以下命令：

   # 导入 TensorFlow
   import tensorflow as tf
   # 打印 TensorFlow 版本
   print(tf.__version__)

   如果看到类似 12.0 这样的版本号输出，说明 TensorFlow 安装成功。

3. 执行一个简单的计算（测试 GPU）： 为了验证你的 TensorFlow 是否能使用 GPU（如果你安装的是完整版且有 NVIDIA 显卡），运行以下代码：

   # 检查 TensorFlow 是否能检测到 GPU
   print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))

   • 如果你有 NVIDIA 显卡并正确配置了 CUDA/cuDNN，它会输出 Num GPUs Available: 1 或更多。
   • 如果你没有 GPU 或配置未成功，它会输出 Num GPUs Available: 0，这没关系！你的环境仍然可以正常运行，只是计算将在 CPU 上进行。

4. 执行一个简单的 Keras 操作： 我们用一个经典的 "Hello, World!" 级别的 Keras 示例来结束验证——构建一个简单的神经网络来识别 MNIST 手写数字数据集。

   # 导入 Keras 相关模块
   from tensorflow.keras.datasets import mnist
   from tensorflow.keras.models import Sequential
   from tensorflow.keras.layers import Dense, Flatten
   from tensorflow.keras.utils import to_categorical
   # 加载数据
   (x_train, y_train), (x_test, y_test) = mnist.load_data()
   # 数据预处理
   x_train = x_train.reshape(60000, 784).astype('float32') / 255
   x_test = x_test.reshape(10000, 784).astype('float32') / 255
   y_train = to_categorical(y_train)
   y_test = to_categorical(y_test)
   # 构建模型
   model = Sequential()
   model.add(Dense(512, activation='relu', input_shape=(784,)))
   model.add(Dense(10, activation='softmax'))
   # 编译模型
   model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
   # 训练模型 (只训练一个 epoch 来快速验证)
   model.fit(x_train, y_train, epochs=1, batch_size=128, validation_split=0.2)
   # 评估模型
   score = model.evaluate(x_test, y_test, verbose=0)
   print('Test loss:', score[0])
   print('Test accuracy:', score[1])

   如果代码成功运行,并输出了训练和测试的损失与准确率，那么恭喜你！你的 Keras 环境已经完全搭建成功！

5. 退出 Python 环境： 输入 exit() 或按 Ctrl+D 退出 Python 交互式环境。

常见问题与解决方案

1. 问题: pip 不是内部或外部命令... 解决方案: 这意味着 Python 的 Scripts 目录没有被添加到系统的环境变量 PATH 中，请返回第二步，确保在安装 Python 时勾选了 "Add Python to PATH"，如果已经安装，可以手动将 Python 的安装目录（如 C:\Python39\）和 Scripts 目录（如 C:\Python39\Scripts\）添加到系统环境变量 PATH 中。

2. 问题: 安装 TensorFlow 时出现 ERROR: Could not build wheels for ... 或 Microsoft Visual C++ 14.0 is required... 解决方案: 这通常发生在 Windows 上，是因为缺少编译 C++ 扩展所需的编译器。

   • 最简单的解决方案: 安装一个预编译的 tensorflow wheel 文件。pip install tensorflow 会自动处理，但如果失败，可以尝试：

     pip install --upgrade pip
     pip install tensorflow

   • 备选方案: 安装 Microsoft C++ Build Tools，从 Visual Studio 官网 下载 "Build Tools for Visual Studio"，在安装时勾选 "C++ build tools"。

3. 问题: TensorFlow 无法检测到 GPU，但我有 NVIDIA 显卡。 解决方案: 你需要正确安装 NVIDIA 驱动、CUDA Toolkit 和 cuDNN，这三个版本必须相互兼容，并且与你的 TensorFlow 版本兼容。

   • 查询兼容性: 查看 TensorFlow 官方文档中的 "Build from source" 部分，里面有详细的版本兼容列表。
   • 安装顺序:
     1. 安装最新的 NVIDIA 驱动。
     2. 安装与驱动兼容的 CUDA Toolkit。
     3. 将下载的 cuDNN 压缩包内容解压到 CUDA Toolkit 的相应目录中（如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\）。
     4. 将 CUDA 的 bin 目录（如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin）添加到系统 PATH 环境变量中。
   • 验证: 安装完成后，重启电脑，然后在 Python 中运行 tf.config.list_physical_devices('GPU') 进行验证。

通过以上六个步骤,你应该已经成功搭建了一个功能完备的 Keras 开发环境，这个环境包括了：

• 正确的 Python 版本。
• 隔离的、干净的项目环境（venv 或 conda）。
• 核心的深度学习框架（TensorFlow/Keras）。
• 常用的数据科学辅助库。

现在你可以开始你的 Keras 深度学习之旅了！祝你编码愉快！