一、两层关系

TensorFlow 是底层：管张量（多维数组）、管求导、管把运算扔到 CPU 或显卡上。 Keras 是上层：把「建层、编译、训练、评估」包成几个方法，让你少写代码。 TensorFlow 1.x 时代这两家是分开的，要另外 pip install keras。 2.0 之后官方把 Keras 收编，import tensorflow as tf 之后就能 tf.keras.Sequential。 现在还单独装 keras 包的人，多半是在跟老教程。新版 TensorFlow 不需要它， 多装一个反而容易出现版本错配。

二、版本要三层对上

深度学习框架的版本不是孤立的一件事，它卡在一条链上：驱动 → CUDA → cuDNN → 框架 → Python。 任何一环错位，表现都是「装成功了，但 import 报错」或者「能 import，但一跑就崩」。

先看驱动，再看 CUDA，最后才装框架。顺序反了，装完发现问题还得从头来。

三、装

CPU 版最简单：pip install tensorflow，一条命令，装完就能用，只是慢。 GPU 版要先装 NVIDIA 驱动和对应版本的 CUDA，再 pip install tensorflow。 不需要手动装 CUDA 的老版本了——新版 TensorFlow 会自己带一部分运行库，但驱动还是得自己装对。 国内网络装不动的话，用镜像源：pip install tensorflow -i 镜像地址。 镜像只是加速下载，包还是官方的包。

四、验证

装完要跑三行确认：

import tensorflow as tf
print(tf.__version__)
print(tf.config.list_physical_devices("GPU"))

第一行能过，说明装对了；第二行给出具体版本；第三行如果是空列表 []，说明只有 CPU，能跑但慢。 这三行是排查一切的起点。后面任何「跑不动」的问题，都先回来跑一遍这三行， 确认你现在用的到底是哪个版本、有没有显卡。

五、这台机器上怎么办

这台机器没有 TensorFlow，也没有 Keras，而且装不上——第 2 章那次包检查里，这两行结论都是「没装」。 所以本课定了一条规矩，从这一节开始一直用到最后： 教材里的 Keras 代码照原样抄进正文，标成「教材原码」；实跑一律换成 numpy 手写。 这不是偷懒。 手写一遍才知道 Keras 帮你省了什么、又藏了什么。第 4 章会手推梯度，第 5 章会手滑卷积窗， 都是同一个道理。

六、动手 Demo：装不上就自己造一个小的

先查这台机器上有什么，然后用 numpy 手写 Keras 最核心的两个类： Dense（一个全连结层）和 Sequential（把层串起来，提供 build／predict／fit）。 数据是两个高斯团，二分类。

import numpy as np

class Dense:
    """一个全连结层：z = xW + b，再过一个激励函数。"""
    def __init__(self, units, act=None, seed=0):
        self.units, self.act = units, act
        self.rg = np.random.default_rng(seed)

    def build(self, n_in):
        self.W = self.rg.normal(0, 0.5, (n_in, self.units))
        self.b = np.zeros(self.units)

    def forward(self, x):
        z = x @ self.W + self.b
        if self.act == "sigmoid":
            return 1.0 / (1.0 + np.exp(-z))
        if self.act == "tanh":
            return np.tanh(z)
        return z

class Sequential:
    def __init__(self, layers):
        self.layers = layers

    def build(self, n_in):
        for ly in self.layers:
            ly.build(n_in)
            n_in = ly.units

    def predict(self, x):
        for ly in self.layers:
            x = ly.forward(x)
        return x

    def fit(self, x, y, epochs=1, lr=0.5, verbose=0):
        hist = []
        for ep in range(epochs):
            h = self.layers[0].forward(x)
            p = self.layers[1].forward(h).ravel()
            g = (p - y) / len(y)
            hist.append(float(np.mean((p - y) * (p - y))))
            dW2 = (h.T @ g).reshape(-1, 1)
            gh = np.outer(g, self.layers[1].W.ravel()) * (1.0 - h * h)
            self.layers[0].W -= lr * (x.T @ gh)
            self.layers[1].W -= lr * dW2
            self.layers[0].b -= lr * gh.sum(0)
            self.layers[1].b -= lr * np.array([g.sum()])
        return hist

实跑输出：

--------------------------------------------------------------------
TensorFlow 与 Keras 的安装：装不上就自己造一个小的
--------------------------------------------------------------------

  包              这台机器上
  --------------------------
  tensorflow      没有
  keras           没有
  jupyter         没有
  numpy           有

  **TensorFlow 和 Keras 都没有。**这本书第 3 章之后的教材代码全是 Keras 写的，
  所以后面每一节都按同一个规矩办：**教材原码照抄，实跑换成 numpy 手写。**
  下面就把 Keras 最核心的三个类手写一遍，看清楚它到底在干什么。

  用 Keras 的写法搭一个 2-8-1 的网络，跑 100 轮：

    model = Sequential([Dense(8, act="tanh"), Dense(1, act="sigmoid")])
    model.build(2)
    hist = model.fit(X, y, epochs=100, lr=0.5, verbose=1)

    epoch  20   loss 0.010928
    epoch  40   loss 0.005550
    epoch  60   loss 0.004114
    epoch  80   loss 0.003442
    epoch 100   loss 0.003043

  首轮损失 0.172062 → 末轮 0.003043，准确率 0.9967，耗时 20 毫秒。

  **这就是 Keras 干的事：把「建层、前向、反向、更新」四步包成三个方法。**
  真正难的部分一行没省——只是你不用再手写那几行矩阵乘。
  也正因为如此，第 4、5 章会把这几行重新拆开讲一遍。

tensorflow、keras、jupyter 三个都是「没有」，只有 numpy 有。所以后面凡是要跑 Keras 的地方， 都得先翻译成 numpy。 手写出来的 fit 跑 100 轮： 损失从 0.172062 降到 0.003043，准确率 0.9967，耗时 20 毫秒。这个速度和 Keras 差着数量级， 但算的是同一件事。 Keras 的 fit 内部做的正是这几行：前向算预测、算损失、反向算梯度、按学习率挪一步。 它快，是因为同样的运算跑在编译好的 C++ 和显卡上；它方便，是因为这四步你不用自己写。 注意 fit 里那个 verbose 参数——Keras 用它控制打不打进度条。 这里手写了一个简化版，每 20 轮打一行。这就是那个进度条的来源。

30 秒实验

1. 把 epochs 从 100 改成 10 和 1000，看损失停在哪——1000 轮会不会过适？
2. 把学习率从 0.5 改成 5.0，看损失是发散还是收敛得更快。
3. 把隐层从 8 改成 2，准确率掉多少？这和 1.1 节那个「隐层数」的问题是一回事。

常见误区

1. 以为装了 Keras 才能用 Keras。TensorFlow 2.x 起 Keras 就在里面，tf.keras 直接用。 单独装 keras 包是给老版本的用法。
2. 以为 import 成功就是装好了。DLL 缺失、CUDA 版本不对，都可能在第一次做矩阵乘的时候才崩。 要跑一次真正的运算才算验证过。
3. 以为 GPU 版一定比 CPU 版快。小模型、小批量时，数据在内存和显存之间搬的时间可能比计算还长， 反而不如 CPU。

框架装好了，接下来是写代码的地方。 下一节讲 Jupyter Notebook——书里所有例子都是在那儿写的，而它有一个很多人踩过的坑：执行顺序。

• ☐ （本节完，下一节 3.2 使用 Jupyter Notebook）

相关笔记

• Python 的基本语法
• 41 课 · 图解深度学习 · 索引
• 📕 深度学习入门教室 · 索引