根本原因是tensorflow==2.5.0硬依赖已下线的keras-nightly~=2.5.0.dev，导致PyPI无法解析；应卸载独立keras/keras-nightly，改用tf.keras并升级至tensorflow>=2.10以避免生态断链。
pip install tensorflow 报错找不到 keras-nightly~=2.5.0.dev
根本原因是 tensorflow==2.5.0 的 setup.py 明确声明依赖 keras-nightly~=2.5.0.dev，但这个包早已从 PyPI 正式源下线，国内镜像源同步滞后或缓存缺失时更易触发该错误。
这不是网络问题，也不是 pip 配置问题，而是版本锁死导致的生态断链。官方源偶尔还能临时回滚提供该 dev 包，但不可靠；国内源基本不收录 nightly 类包。
- 不要加
-i https://pypi.tuna.tsinghua.edu.cn/simple/或其他镜像源 —— 它们不托管keras-nightly - 直接用官方源：运行
pip install tensorflow==2.5.0 -i https://pypi.org/simple/ - 若仍失败，说明你本地已有冲突的
keras或keras-nightly，先执行pip uninstall keras keras-nightly - 安装后务必运行
pip check，确认无版本冲突
from tensorflow import keras 失败但 from keras import layers 成功
这说明你装了独立的 keras 包（比如 pip install keras），而非 TensorFlow 内置的 tf.keras。TensorFlow 2.6+ 起已完全内置 Keras，不再推荐单独安装 keras 包 —— 否则会覆盖、干扰 tf.keras 的模块结构。
PyCharm 或 VS Code 报红但代码能跑，大概率是 IDE 缓存了旧的 stub 或路径映射，和实际运行环境不一致。
立即学习“Python免费学习笔记（深入）”；
- 删掉所有独立
keras相关包：pip uninstall keras keras-nightly - 只保留
tensorflow，然后用from tensorflow import keras导入 - 检查
keras.__version__是否等于tensorflow.__version__—— 理论上应一致 - IDE 报错？清缓存：
File → Invalidate Caches and Restart（PyCharm）
重装 keras-nightly 真的能解决问题？
不能，而且非常危险。重装 keras-nightly 是治标不治本，还可能引发更隐蔽的冲突：
-
keras-nightly是 TensorFlow 2.5 时期的临时开发包，与当前主流tensorflow>=2.10不兼容 - 它会强制降级或覆盖
keras的核心模块，导致tf.keras.layers.LayerNormalization等新 API 消失 - 运行时可能报
ImportError: cannot import name 'keras_tensor' from 'tensorflow.python.keras.engine' - 真正该做的是：放弃
keras-nightly，升级到tensorflow>=2.10，使用统一的tf.keras
LayerNormalization 找不到 / ImportError: cannot import name 'LayerNormalization'
这是最典型的“版本错配”信号。该类在 tensorflow>=2.1.0 中才稳定引入，但如果你混装了 keras 和 tensorflow，或者用了过老的 tf-nightly，就会丢失该符号。
- 运行
python -c "import tensorflow as tf; print(tf.__version__)";确认版本 ≥ 2.1 - 禁止执行
pip install keras—— 它会把keras.layers.LayerNormalization替换为旧版实现 - 正确导入方式永远是：
from tensorflow.keras.layers import LayerNormalization，不是from keras.layers - 如果项目必须用
keras独立包，请严格锁定版本，例如pip install keras==2.10.0（仅适配 TF 2.10）
最常被忽略的一点：TensorFlow 的 tf.keras 和独立 keras 包不是简单“可互换”的两个实现，它们的模块树、序列化格式、甚至权重加载逻辑都不同。一旦混用，模型保存/加载、迁移学习、分布式训练都可能静默失败。
