准备必要的软件环境。拥有一个一致且配置正确的环境,对于顺利运行示例和练习非常重要。我们将侧重于安装Keras 3及其首选后端PyTorch。独立环境的重要性在安装任何软件包之前,强烈建议为本项目创建一个独立的Python环境。这可以避免不同项目所需的包依赖项之间的冲突。Python内置的venv模块或conda包管理器都是实现此目的的很好选择。使用venv:在终端中导航到您的项目目录。创建一个虚拟环境(例如,命名为.venv):python -m venv .venv激活环境:在macOS/Linux上:source .venv/bin/activate在Windows上(命令提示符):.venv\Scripts\activate.bat在Windows上(PowerShell):.venv\Scripts\Activate.ps1您的终端提示符现在应显示您已位于虚拟环境内。使用conda:创建一个新环境(例如,命名为keras-env),并指定Python版本:conda create --name keras-env python=3.9 # 或您偏好的Python 3版本激活环境:conda activate keras-env所有后续的软件包安装都将限制在此激活的环境之内。安装Keras和PyTorch在激活虚拟环境后,您现在可以使用Python包安装器pip安装所需的库。Keras 3设计用于支持多个后端(PyTorch、TensorFlow、JAX)。本课程中,我们将主要使用PyTorch后端。使用以下命令安装Keras和PyTorch:pip install keras torch torchvision torchaudio此命令将安装:keras:Keras核心库(版本3或更高)。torch:PyTorch库,它将作为计算后端。torchvision、torchaudio:PyTorch的配套库,常用于数据加载和转换,尤其在视觉和音频任务中。Keras 3通常配置为自动检测并使用像PyTorch这样的可用后端。如果您安装了多个后端(例如TensorFlow),并希望确保使用PyTorch,您可以在运行Python脚本或Jupyter笔记本之前设置KERAS_BACKEND环境变量:在macOS/Linux上:export KERAS_BACKEND="torch" python your_script.py在Windows上(命令提示符):set KERAS_BACKEND=torch python your_script.py在Windows上(PowerShell):$env:KERAS_BACKEND="torch" python your_script.py您也可以在导入Keras之前在Python代码中进行配置,尽管通常更推荐设置环境变量:import os os.environ["KERAS_BACKEND"] = "torch" import keras # 现在Keras将使用PyTorch后端关于GPU加速的说明(可选)深度学习通常涉及计算密集型操作,使用图形处理单元(GPU),特别是NVIDIA GPU,可以显著加速。如果您有兼容的NVIDIA GPU并希望充分利用它:安装NVIDIA驱动: 确保您已从NVIDIA网站安装了特定GPU的最新驱动。安装CUDA Toolkit和cuDNN: PyTorch需要特定版本的CUDA Toolkit和cuDNN库。通常最简单的方法是安装一个捆绑了这些的PyTorch版本。访问PyTorch网站,使用其配置工具获取适合您系统和所需CUDA版本的正确pip或conda命令。该命令可能与上述基本命令略有不同,会指定CUDA版本。验证安装: 安装后,如果设置正确,PyTorch应自动检测并使用GPU。您可以在Python中验证这一点(我们很快会讲到检查方法)。虽然GPU加速可以显著加速大型模型和数据集的训练,但对于学习本课程中的基本原理而言,并非严格要求。大多数示例在现代CPU上也能运行良好。安装好Keras及其PyTorch后端后,您的环境现已准备就绪。在下一节中,我们将进行一个快速验证步骤,以确认Keras已正确安装并能与后端通信。