Win10系统Anaconda+TensorFlow+Keras 环境搭建教程

红色石头的个人网站:redstonewill.com

前天我在公众号推荐了《Python Deep Learning》这本书。该书是由 Keras 作者写的,所以全书基本围绕着 Keras 讲深度学习的各种实现,从 CNN,RNN 到 GAN 等,偏入门,但理论和实战部分都讲的还不错,承载着很多作者对深度学习整体性的思考。目前该书的中英文版包括源码见下面的链接:

链接:

https://pan.baidu.com/s/1kTTGpzQo-p5ZfeSI6HlbEA

提取码:mnz9

我花了几天时间快速过了这本书,当然少不了跑跑书上的代码。代码的完整性很高,难易程度作者都分层次介绍得比较清楚。总之,Keras 非常适合大家快速上手深度学习项目。

好了,今天从基础开始,教大家在 win10 系统中,使用 Anaconda + TensorFlow + Keras,快速搭建一个 Keras 的开发环境(CPU 版本),非常容易。

1. 安装 Anaconda

打开 Anaconda 的官方下载地址:

https://www.anaconda.com/download/

就能看到最新的下载版本:

在这里插入图片描述

选择 Python 3.7 version 下载。下载完成后直接运行 Anaconda 的安装文件,按照提示一步一步安装就可以了。

安装完成后,会在 win10 的开始菜单发现 Anaconda 这些组件:

在这里插入图片描述

因为我是较早安装的,所以是 Anaconda3,不必在意。可直接安装最新版本。另外,其中的 Jupyter Notebook(tensorflow) 是我后面安装得到的。你们暂时看不到正常。

2. 创建 tensorflow 的虚拟环境

Python 为不同的项目需求创建不同的虚拟环境非常常见。因为在实际项目开发中,我们通常会根据自己的需求去下载各种相应的框架库,但是可能每个项目使用的框架库并不一样,或使用框架的版本不一样,这样需要我们根据需求不断的更新或卸载相应的库,管理起来相当麻烦。所以通过创建虚拟环境,相当于为不同的项目创建一块独立的空间,在这个空间里,你安装任何库和框架都是独立的,不会影响到外部环境。

为了创建我们 keras 的开发环境,首先打开 Anaconda 组件 Anaconda Prompt,这是一个类似 cmd 的界面,便于我们对 Python 库的安装和管理。界面如下:

在这里插入图片描述

然后,创建虚拟环境并安装 Python。在 Anaconda Prompt 界面中输入:

conda create --name tensorflow python=3.5.2

这里,虚拟变量的名称我们取 tensorflow,当然你可以换个名字。Python 版本这里选择 3.5。

最后,激活并进入到虚拟环境 tensorflow 中:

activate tensorflow

进入后,提示符前会显示 (tensorflow):

在这里插入图片描述

3. 安装 TensorFlow

可能有的同学会问我们不是安装 Keras 吗?怎么安装起 TensorFlow 了?这里解释一下。Keras 是一个模型级(model-level)的库,为开发深度学习模型提供了高层次的构建模块。 它不处理张量操作、求微分等低层次的运算。相反,它依赖于一个专门的、高度优化的张量库来完成这些运算,这个张量库就是 Keras 的后端引擎(backend engine),例如 TensorFlow、Theano、CNTK等都可以无缝嵌入到 Keras 中。如下图所示:

在这里插入图片描述

所以先要安装 Keras 的后端引擎 TensorFlow,首先需要升级一下你的 pip。同样是在 Anaconda Prompt 中输入以下命令:

python -m pip install -U pip

然后直接使用 pip 安装即可:

pip install tensorflow

如果没有报错,表示安装没有问题。进一步验证安装是否成功,输入 Python,在 Python 命令行中输入:import tensorflow as tf。若没有任何提示,则表明 TensorFlow 安装成功,如下图所示:

在这里插入图片描述

4. 安装 Keras

同样,打开 Anaconda Prompt,进入 tensorflow 虚拟环境,使用 pip 安装 Keras:

pip install keras

如果没有报错,表示安装没有问题。

5. 安装 MinGW

最后你还可以安装 MinGW,同样是在虚拟环境 tensorflow 中,输入以下命令:

conda install mingw libpython

进一步验证整个 Keras 安装是否成功,输入 Python,在 Python 命令行中输入:import keras。若出现下面提示,则表明 Keras安装成功:

在这里插入图片描述

6. 启动 Keras

整个 Keras 安装成功了。那么实际应用中我们如何启动 Keras 呢?因为我习惯了使用 Anaconda 自带的 Jupyter Nootbook,那么接下来我就教大家使用 Jupyter Notebook 调用 Keras 实例。

因为现在 Anaconda 自带的 Jupyter Notebook 还是整个外部 Python 环境下的,我们之前创建的虚拟环境 tensorflow 并没有 Jupyter Notebook。怎们办?安装一个就好了。

同样在 Anaconda Prompt 中,激活 tensorflow 环境,使用 conda 命令安装,如下所示:

conda install jupyter

非常简单,安装成功之后,就可以在 Anaconda 的工具项里看到 Jupyter Notebook(tensorflow) 了。

在这里插入图片描述

这样,点击 Jupyter Notebook(tensorflow),就可以直接打开 Jupyter Notebook,可以直接在 cell 中导入 Keras 了。

在这里插入图片描述

这样就不用每次使用 activate 激活 tensorflow 虚拟环境了。

好了,现在 Keras CPU 版本已经安装成功,可以开始你的深度学习 Keras 实战之旅了。

7. Keras 实例

下面,使用 Keras 运行这本书上的一个简单例子,用来对 IMDB 的正负电影评论进行分类。

import keras
from keras import models
from keras import layers
from keras.datasets import imdb
import numpy as np

(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)

def vectorize_sequences(sequences, dimension=10000):
   # Create an all-zero matrix of shape (len(sequences), dimension)
   results = np.zeros((len(sequences), dimension))
   for i, sequence in enumerate(sequences):
       results[i, sequence] = 1.  # set specific indices of results[i] to 1s
   return results

# Our vectorized training data
x_train = vectorize_sequences(train_data)
# Our vectorized test data
x_test = vectorize_sequences(test_data)
# Our vectorized labels
y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('float32')

model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))

model.compile(optimizer='rmsprop',
            loss='binary_crossentropy',
            metrics=['acc'])

model.fit(x_train, y_train, epochs=4, batch_size=512)
result = model.evaluate(x_test, y_test)
print(result)

最后结果,测试集的分类准确率达到了 88.3%。

8. 结语

本文介绍的 Keras 的 CPU 版本的安装,本书的作者推荐大家尽可能使用 GPU 版本,提高运算速度。我跑完本书的代码发现,CPU 版本下某些模型的训练时间还是比较长的。例如使用 VGG 预训练模型,对 Kaggle 猫狗分类问题进行训练,并微调 VGG 顶层参数,整个训练时间达到了 5 个小时左右。

如果安装 GPU 版本,需要额外安装 CUDA Toolkit + cuDNN。需要特别注意的是 CUDA+cuDNN 的版本。因为每个人的 GPU 显卡型号和安装版本不尽相同,所以本文不再赘述,需要的话,我们下次再专门介绍以下 GPU 版本的安装。

没有 GPU,本书的代码基本也能跑得通,就是大型模型的训练速度比较慢。

如果有小伙伴对 GPU 版本的 Keras 安装有好的方法,欢迎留言!

参考文献:

https://www.cnblogs.com/zeroingToOne/p/8407059.html


在这里插入图片描述

已标记关键词 清除标记
相关推荐
<p> <strong><span> </span></strong> </p> <p class="ql-long-16800510"> <span style="color:#333333;"><strong><span style="color:#333333;"> </span></strong></span> </p> <p class="ql-long-24357476"> <span style="color:#E53333;font-size:14px;">每天前100人再送5门编程课!</span> </p> <p class="ql-long-24357476"> <span style="color:#E53333;font-size:14px;">AI+5门300元课程+社群闭门分享会</span> </p> <p class="ql-long-24357476"> <span style="color:#E53333;font-size:14px;">源码开源下载:<a href="https://github.com/DjangoPeng/keras-101/tree/master/code_samples">https://github.com/DjangoPeng/keras-101/tree/master/code_samples</a></span> </p> <p> <br /> </p> <h3 class="ql-long-26664262"> <div class="ql-long-26664262"> <span style="font-size:14px;color:#337FE5;">【为什么学AI】</span> </div> </h3> <p class="ql-long-26664262"> <span style="font-size:14px;">归功于近年来大规模数据和硬件计算能力的大幅度提升,人工智能的概念近两年一直是市场追捧的对象。目前各大厂都争先恐后地布局AI,落地各类AI的的商业应用,也随之打响了一场激烈的人才争夺战。长远来看,越快将 AI 用于自己的工作中就能越早体会到AI带来的收益。</span> </p> <p> <br /> </p> <p> <br /> </p> <p> <strong><span style="font-size:14px;color:#337FE5;">【讲师介绍】</span></strong> </p> <p class="ql-long-16800510"> <span style="font-size:14px;">彭靖田 Google Developer Experts。</span> </p> <p class="ql-long-16800510"> <span style="font-size:14px;">曾为 TensorFlow Top级 的贡献者,著书《深入理解TensorFlow》,是国内第一本深度剖析 Google AI 框架的畅销书。</span> </p> <p class="ql-long-16800510"> <span style="font-size:14px;">曾从0到1深入参与了华为 2012 实验室深度学习平台和华为深度学习云服务的设计与研发工作。</span> </p> <p class="ql-long-16800510"> <br /> </p> <h3 class="ql-long-26664262"> <p> <span style="color:#337FE5;"><span style="font-size:14px;color:#337FE5;">【课程设计】</span></span> </p> </h3> <p class="ql-long-26664262"> <br /> </p> <p class="ql-long-26664262"> <span style="font-size:14px;">课程内容基于最新的Keras版本(你也可以使用 TensorFlow 2 的 tf.keras 模块),其中有大量独家解读、案例,以及不少讲师一线实战多年的方法论和深度思考。同时,在层次划分上,难易兼顾,循序渐进。既有核心的基础知识,也有高级的进阶操作,尽量做到“老少皆宜”。</span> </p> <p class="ql-long-26664262"> <br /> </p> <p class="ql-long-26664262"> <span style="font-size:14px;"><strong>课程分为基础篇、入门篇和实战篇:</strong></span> </p> <p class="ql-long-26664262"> <span style="font-size:14px;"><br /> </span> </p> <p class="ql-long-26664262"> <strong><span style="font-size:14px;">一、基础篇:</span></strong> </p> <p class="ql-long-26664262"> <span style="font-size:14px;">主要讲解人工智能发展史和深度学习脱颖而出的原由,以及神经网络的基础概念、理论实现、优化原理和计算方法。</span> </p> <p class="ql-long-26664262"> <span style="font-size:14px;"><br /> </span> </p> <p class="ql-long-26664262"> <strong><span style="font-size:14px;">二、入门篇:</span></strong> </p> <p class="ql-long-26664262"> <span style="font-size:14px;">主攻快速上手,通过7个小节让你从0到1实现环境搭建、模型优化,直接试水2个实战项目。同时,增强AI的理论学习,系统掌握机器学习3大分支、模型评估方法、数据预处理常用手段与过拟合问题的解决方案。</span> </p> <p class="ql-long-26664262"> <span style="font-size:14px;"><br /> </span> </p> <p class="ql-long-26664262"> <strong><span style="font-size:14px;">三、实战篇:</span></strong> </p> <p class="ql-long-26664262"> <span style="font-size:14px;">通过4个实战全面掌握深度学习理论与实现,涵盖目标检测、图像分类、可视化和可解释性学习、迁移学习、特征提取、数据增强等。带你综合运用前面所学的所有知识,逐渐熟练AI开发流程与技能。</span> </p> <p> <br /> </p> <p> <br /> </p> <p class="MsoNormal"> <br /> </p> <p> <img src="https://img-bss.csdn.net/202002271330419257.png" alt="" /> </p> <p> <span style="font-size:14px;">课程包含思维导图上的所有内容(价值199元)前500名立减100元,仅99元买完就能学!</span> </p>
©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页
实付 39.90元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值