Windows环境下Keras 3安装与WSL2解决方案

本文针对windows用户在安装keras 3时遇到的“dm-tree”依赖构建失败问题，指出keras 3官方推荐在linux或wsl2环境下运行。教程将详细指导如何在windows上设置和使用wsl2来成功安装并运行keras，确保深度学习项目的顺利进行。

Windows环境下Keras 3安装困境分析

在Windows操作系统上直接通过pip install keras安装Keras 3时，用户可能会遇到一系列依赖构建错误，其中最常见的是在构建dm-tree这一Keras核心依赖时失败。错误信息通常会指出subprocess-exited-with-error，并最终提示RuntimeError: CMake must be installed to build the following extensions: _tree。

这表明在尝试编译dm-tree的C++扩展时，系统未能找到必要的构建工具CMake。尽管可以尝试手动安装CMake和Visual C++ Build Tools来解决这类问题，但Keras 3的开发团队对Windows平台的支持策略有所调整。

Keras 3的官方立场与WSL2推荐

Keras 3作为一个独立的深度学习API，其设计目标是与多个后端（如TensorFlow、JAX、PyTorch）兼容，并致力于提供更强大的功能和更好的性能。然而，官方明确指出，Keras 3目前主要兼容Linux和macOS系统。对于Windows用户，官方推荐使用Windows Subsystem for Linux 2 (WSL2) 来运行Keras。

这意味着，直接在Windows环境下安装Keras 3可能并非最佳实践，并且可能持续遇到各种兼容性或构建问题。WSL2提供了一个完整的Linux内核环境，允许用户在Windows内部无缝运行Linux发行版，从而获得与原生Linux环境相近的开发体验。

WSL2简介及其优势

Windows Subsystem for Linux 2 (WSL2) 是微软为Windows 10/11用户提供的一项功能，它允许开发者在Windows操作系统上直接运行一个完整的Linux内核，并安装各种Linux发行版（如Ubuntu、Debian等）。相较于WSL1，WSL2提供了真正的Linux内核，这意味着更好的文件系统性能、完整的系统调用兼容性以及对Docker等工具的良好支持。

对于深度学习开发而言，WSL2的优势显而易见：

• 环境隔离： 可以在Windows主系统之外维护一个独立的Linux开发环境，避免依赖冲突。
• 性能优化： 接近原生Linux的性能，尤其是在文件I/O和网络操作方面。
• GPU支持： WSL2支持GPU直通（WSLg），允许Linux应用程序直接访问Windows主机的GPU进行计算，这对于深度学习训练至关重要。
• 工具链兼容性： 许多深度学习库（包括Keras 3及其依赖）在Linux环境下拥有更成熟、更稳定的构建和运行支持。

在Windows上安装和配置WSL2

要在Windows上成功安装和使用WSL2来运行Keras 3，请遵循以下步骤：

1. 启用WSL和虚拟机平台功能

在PowerShell或命令提示符中（以管理员身份运行），执行以下命令：

dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

执行完毕后，重启计算机以使更改生效。

2. 设置WSL2为默认版本

重启后，再次打开PowerShell或命令提示符（无需管理员权限），执行：

wsl --set-default-version 2

如果提示需要更新WSL内核，请访问WSL官方文档下载并安装最新的WSL2 Linux内核更新包。

3. 安装Linux发行版

从Microsoft Store搜索并安装你偏好的Linux发行版，例如Ubuntu。安装完成后，首次启动Ubuntu应用，它会提示你设置用户名和密码。

帮衣帮-AI服装设计

AI服装设计神器，AI生成印花、虚拟试衣、面料替换

106

查看详情

4. 更新Linux环境

进入WSL2中的Linux终端，首先更新软件包列表并升级已安装的软件包：

sudo apt update
sudo apt upgrade -y

5. 安装Python和pip（如果未预装或版本不符）

WSL2中的Linux发行版通常预装了Python，但可能不是最新版本。建议使用pyenv或直接通过apt安装特定版本。

# 检查Python版本
python3 --version
pip3 --version

# 如果需要安装最新Python，例如Python 3.10或3.11
sudo apt install software-properties-common -y
sudo add-apt-repository ppa:deadsnakes/ppa -y
sudo apt update
sudo apt install python3.11 python3.11-venv python3.11-dev -y

# 设置默认python版本（可选，或使用虚拟环境）
sudo update-alternatives --install /usr/bin/python3 python3 /usr/bin/python3.11 1
sudo update-alternatives --install /usr/bin/pip3 pip3 /usr/bin/pip3.11 1

6. 创建并激活Python虚拟环境

强烈建议为Keras项目创建一个独立的Python虚拟环境，以管理依赖。

mkdir my_keras_project
cd my_keras_project
python3 -m venv .venv
source .venv/bin/activate

激活虚拟环境后，你的终端提示符前会显示虚拟环境的名称（例如 (.venv)）。

在WSL2中安装Keras 3

在虚拟环境激活状态下，现在可以安全地安装Keras 3及其依赖：

pip install keras

此命令会自动安装Keras 3及其所有必要的依赖，包括dm-tree。在Linux环境下，dm-tree的编译通常不会遇到Windows上常见的CMake问题。

Keras 3使用示例

安装完成后，你可以在WSL2的Linux环境中编写和运行Keras代码。

创建一个名为 simple_keras_model.py 的文件：

import keras
from keras import layers
import numpy as np

# 检查Keras版本和后端
print(f"Keras version: {keras.__version__}")
print(f"Keras backend: {keras.backend.backend()}")

# 构建一个简单的序贯模型
model = keras.Sequential([
    layers.Input(shape=(784,)),
    layers.Dense(256, activation="relu", name="first_layer"),
    layers.Dense(128, activation="relu", name="second_layer"),
    layers.Dense(10, activation="softmax", name="output_layer"),
])

# 编译模型
model.compile(optimizer="adam",
              loss="sparse_categorical_crossentropy",
              metrics=["accuracy"])

# 打印模型摘要
model.summary()

# 生成一些虚拟数据进行训练
num_samples = 1000
x_train = np.random.rand(num_samples, 784).astype("float32")
y_train = np.random.randint(0, 10, size=(num_samples,)).astype("int32")

# 训练模型
print("
Training the model...")
model.fit(x_train, y_train, epochs=5, batch_size=32, verbose=1)

print("
Keras model training completed successfully in WSL2.")

在WSL2终端中，确保虚拟环境已激活，然后运行：

python simple_keras_model.py

你将看到Keras模型被成功构建、编译和训练的输出。

重要注意事项

1. GPU支持 (WSLg)： 如果你的Windows系统支持GPU，并且已正确配置WSLg，Keras在WSL2中可以利用GPU进行加速。确保安装了相应的CUDA驱动（在Windows上安装，但WSL2中的Linux会通过WSLg访问）和CUDA Toolkit（在WSL2的Linux中安装）。
2. 文件系统访问： 你可以在WSL2的Linux终端中直接访问Windows文件系统，路径通常为 /mnt/c/Users/YourUsername/...。反之，在Windows文件资源管理器中，可以通过 \wsl.localhost<DistroName>... 访问Linux文件。
3. 虚拟环境管理： 始终使用Python虚拟环境来安装项目依赖，以避免全局包污染和版本冲突。
4. VS Code集成： Visual Studio Code对WSL2有出色的集成支持。安装VS Code的“Remote - WSL”扩展后，可以直接在Windows上使用VS Code编辑WSL2中的文件，并在WSL2环境中运行代码和调试。

总结

尽管在Windows上直接安装Keras 3可能会遇到挑战，但通过充分利用Windows Subsystem for Linux 2 (WSL2)，开发者可以轻松地在Windows机器上搭建一个稳定、高效的Keras开发环境。WSL2不仅解决了Keras 3在Windows上安装时的依赖构建问题，还提供了接近原生Linux的性能和完整的GPU支持，是Windows深度学习开发者的理想选择。遵循本教程的步骤，你将能够顺利在WSL2中安装并运行Keras 3，从而专注于模型开发，而不是环境配置的困扰。

以上就是Windows环境下Keras 3安装与WSL2解决方案的详细内容，更多请关注php中文网其它相关文章！