动手实践：环境验证

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。

验证脚本

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()}")

理解输出

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：

1. Keras 版本： 确认 Keras 已安装并可访问。期望版本为 Keras 3。
2. Keras 后端： 显示 Keras 当前配置使用哪个后端库（PyTorch、TensorFlow 或 JAX）。对于本课程，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。
3. 后端版本： 显示活动后端库（PyTorch 或 TensorFlow）的版本。这确认了底层库也已正确安装。
4. GPU 可用性： 这部分检查后端是否检测到并可访问兼容的 GPU。虽然对于运行初始示例并非严格必需，但拥有 GPU 可以显著加速深度学习 (deep learning)模型的训练，特别是对于后面会讲到的 CNN 和更大的 RNN。如果检测到 GPU，您将看到确认信息；否则，它将指出计算将在 CPU 上运行。

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)。