配置Keras环境

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：

1. 在终端中导航到您的项目目录。
2. 创建一个虚拟环境（例如，命名为.venv）：

   python -m venv .venv
   

3. 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：

1. 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
   

2. 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 (deep learning)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：

1. 安装NVIDIA驱动： 确保您已从NVIDIA网站安装了特定GPU的最新驱动。
2. 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。
3. 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。