趋近智
验证您的开发环境设置,确认 Keras 及其后端(本课程推荐 PyTorch,尽管 TensorFlow 也与 Keras 3 兼容)已正确安装,并可从您的 Python 解释器或 Notebook 中访问。这个简单但必要的验证能避免在构建模型时遇到与安装相关的问题。
我们将编写一个简短的 Python 脚本来导入 Keras 并打印其版本,以及已配置的后端版本。
打开您喜欢的 Python 环境(例如终端、命令提示符、Jupyter Notebook 或集成开发环境 (IDE)),并运行以下代码:
import sys
import keras
import os
# 检查 Keras 版本
print(f"Keras version: {keras.__version__}")
# Keras 3 支持多个后端(tensorflow, pytorch, jax)
# 我们来检查当前配置的是哪个后端
print(f"Keras backend: {keras.backend.backend()}")
# (可选)直接检查后端版本
# 注意:这需要导入后端库(例如 torch 或 tensorflow)
try:
if keras.backend.backend() == "torch":
import torch
print(f"PyTorch version: {torch.__version__}")
elif keras.backend.backend() == "tensorflow":
import tensorflow as tf
print(f"TensorFlow version: {tf.__version__}")
# 如有需要,可添加对其他后端(例如 JAX)的检查
# elif keras.backend.backend() == "jax":
# import jax
# print(f"JAX version: {jax.__version__}")
except ImportError:
print(f"无法导入配置的后端库: {keras.backend.backend()}")
except Exception as e:
print(f"检查后端版本时发生错误: {e}")
# 验证 GPU 可用性(可选,但推荐用于深度学习)
# 此检查可能因后端而异
print("\n正在检查 GPU 可用性...")
gpu_available = False
if keras.backend.backend() == "torch":
try:
import torch
gpu_available = torch.cuda.is_available()
if gpu_available:
print(f"PyTorch 后端:检测到 GPU。设备名称: {torch.cuda.get_device_name(0)}")
else:
print("PyTorch 后端:未检测到 GPU,将使用 CPU。")
except Exception as e:
print(f"PyTorch 后端:检查 GPU 时出错: {e}")
elif keras.backend.backend() == "tensorflow":
try:
import tensorflow as tf
gpu_devices = tf.config.list_physical_devices('GPU')
if gpu_devices:
gpu_available = True
print(f"TensorFlow 后端:检测到 GPU。设备: {gpu_devices}")
else:
print("TensorFlow 后端:未检测到 GPU,将使用 CPU。")
except Exception as e:
print(f"TensorFlow 后端:检查 GPU 时出错: {e}")
else:
print(f"尚未为后端实现 GPU 检查: {keras.backend.backend()}")
运行此脚本时,您应该会看到类似于这样的输出(版本可能不同):
Keras 版本: 3.x.x
Keras 后端: torch
PyTorch 版本: 2.x.x
正在检查 GPU 可用性...
PyTorch 后端:检测到 GPU。设备名称: NVIDIA GeForce RTX 3080
或者,如果您将 TensorFlow 配置为后端:
Keras 版本: 3.x.x
Keras 后端: tensorflow
TensorFlow 版本: 2.xx.x
正在检查 GPU 可用性...
TensorFlow 后端:检测到 GPU。设备: [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
需要注意什么:
torch 是推荐的后端,但 tensorflow 也可以使用。您可以使用环境变量(例如 KERAS_BACKEND=torch)或配置文件(~/.keras/keras.json)配置后端。如果需要切换后端,请参考 Keras 文档获取详细信息。如果脚本运行没有 ImportError 消息并显示了版本,则您的环境已准备就绪。如果您遇到错误,请重新查看上一节(“设置您的 Keras 环境”)中的安装步骤,确保所有命令都已成功完成,并且您正在正确的 Python 环境中运行脚本(例如,您安装包的已激活的 conda 环境或虚拟环境)。常见问题包括忘记激活环境或路径问题。
环境验证完成后,您现在已准备好在下一章中使用 Keras 开始定义和构建神经网络 (neural network)。
这部分内容有帮助吗?
© 2026 ApX Machine LearningAI伦理与透明度•