keras和python,keras兼容的python
前天在微信官方账号推荐了《Python Deep Learning》这本书。这本书是Keras作者写的，所以整本书基本上集中了Keras对深度学习的各种实现，从CNN、到甘等。比较入门，但理论和实践部分还不错，承载了很多作者对深度学习整体性的思考。目前，该书的中英文版本，包括源代码，显示在以下链接中：
链接：
https://pan.baidu.com/s/1kTTGpzQo-p5ZfeSI6HlbEA
提货代码：mnz9
这本书我花了几天时间快速浏览了一遍，当然运行本里的代码也是少不了的。代码的完整性很高，难度级别作者分层次介绍的很清楚。总之，Keras非常适合大家快速入门深度学习项目。
好了，今天从基础开始，非常简单的教你在win10系统中使用Anaconda TensorFlow Keras快速搭建一个Keras的开发环境(CPU版)。
1.安装Anaconda
打开Anaconda官方下载地址：
https://www.anaconda.com/download/
您可以看到最新下载的版本：
选择Python 3.7版本进行下载。下载后直接运行Anaconda的安装文件，按照提示一步一步安装。
安装完成后，你会在win10的开始菜单中找到Anaconda的这些组件：
因为我安装的比较早，所以是Anaconda3，不用担心。可以直接安装最新版本。另外，Jupyter笔记本(tensorflow)是我后来装的。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是很常见的。因为在实际的项目开发中，我们通常会根据自己的需求下载各种相应的框架库，但是每个项目可能会使用不同的框架库或者不同版本的框架，这就需要我们根据自己的需求不断更新或者卸载相应的库，管理起来相当麻烦。所以，创建一个虚拟环境，就相当于为不同的项目创建了一个独立的空间。在这个空间中，您安装的任何库和框架都是独立的，不会影响外部环境。
要创建我们的keras开发环境，首先打开Anaconda Prompt，这是一个Anaconda组件，是一个类似cmd的接口，方便我们安装和管理Python库。界面如下：
然后，创建一个虚拟环境并安装Python。在Anaconda提示界面中，输入：
conda create-name tensor flow python=3 . 5 . 2
这里，我们把tensorflow作为虚拟变量的名字。当然，你可以改名字。Python版本这里选3.5。
最后，激活并进入虚拟环境tensorflow:
激活张量流
进入后，提示会显示(tensorflow):
3.安装TensorFlow
也许有同学会问我们，我们不装Keras吗？如何安装TensorFlow？这里解释一下。Keras是一个模型级的库，它为开发深度学习模型提供了一个高级的构建块。它不处理张量运算、微分等低级运算。相反，它依靠一个特殊的、高度优化的张量库来完成这些操作。这个张量库是Keras的后端引擎，比如TensorFlow，Theano，CNTK等。可以无缝嵌入Keras。如下图所示：
所以要先安装Keras的后端引擎TensorFlow，需要先升级你的pip。另外，在Anaconda提示符下输入以下命令：
python -m pip install -U pip
然后使用pip直接安装：
pip安装张量流
如果没有错误，说明安装没有问题。进一步验证安装是否成功，输入Python，在Python命令行输入：import tensorflow as tf。如果没有提示，TensorFlow安装成功，如下图所示：
安装Keras
类似地，打开Anaconda提示符，进入tensorflow虚拟环境，使用pip安装Keras:
pip安装keras
如果没有错误，说明安装没有问题。
5.安装MinGW
最后，您还可以安装MinGW，也是在虚拟环境tensorflow中，并输入以下命令：
conda安装mingw libpython
进一步验证整个Keras安装是否成功，输入Python，在Python命令行输入：import keras。如果出现以下提示，则Keras安装成功：
6.启动Keras
整个Keras安装是成功的。那么我们如何在实践中启动Keras呢？因为我习惯用Anaconda自带的Jupyter Notebook，那我就教你用Jupyter Notebook调用Keras实例。
现在因为Anaconda自带的Jupyter笔记本还在整个外部Python环境中，我们之前创建的虚拟环境tensorflow没有Jupyter笔记本。我们做什么呢就装一个吧。
同样在Anaconda提示符下，激活tensorflow环境并使用conda命令进行安装，如下所示：
康达安装jupyter
很简单。安装成功后，可以在Anaconda的工具中看到Jupyter笔记本(tensorflow)。
这样点击Jupyter Notebook(tensorflow)，就可以直接打开Jupyter Notebook，也可以直接将Keras导入cell。
这样就不用每次使用activate都激活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实用之旅了。
7.Keras示例
下面，使用Keras运行本书中的一个简单示例，对IMDB的正面和负面电影评论进行分类。
导入keras
从keras导入模型
从keras导入层
从keras.datasets导入imdb
将numpy作为np导入
(train_data，train_labels)，(test_data，test _ labels)=IMDB . load _ data(num _ word=10000)
def矢量化_序列(序列，维数=10000):
#创建形状(长度(序列)，维度)的全零矩阵
结果=np.zeros((len(sequences)，dimension))
对于I，枚举中的序列(sequences):
结果[i，序列]=1。#将结果[i]的具体指数设置为1
返回结果
#我们的矢量化训练数据
x_train=矢量化序列(train_data)
#我们的矢量化测试数据
x_test=矢量化序列(测试数据)
#我们的矢量化标签
y _ train=NP . as array(train _ labels)。astype(float32 )
y_test=np.asarray(test_labels)。astype(float32 )
模特=模特。顺序()
model.add(图层。Dense(16，activation=relu ，input_shape=(10000，))
model.add(图层。Dense(16，activation=relu )
model.add(图层。Dense(1，activation=sigmoid ))
model . compile(optimizer= rms prop ，
损失=二元交叉熵，
度量=[acc])
model.fit(x_train，y_train，epochs=4，batch_size=512)
结果=model.eval(x_test，y_test)
打印(结果)
最终，测试集的分类准确率达到88.3%。
8.结论
本文介绍了Keras的CPU版本的安装。本书作者推荐你尽量使用GPU版本，提高运算速度。运行完这本书的代码，发现CPU版本的部分型号训练时间还是比较长的。例如，VGG预训练模型用于训练Kaggle猫和狗分类问题，VGG的顶级参数进行微调。整个培训时间大约5个小时。
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都不一样，所以本文就不赘述了。如有需要，下次我们会具体介绍以下GPU版本的安装。
没有GPU，这本书的代码基本可以运行，但是大模型的训练速度比较慢。
如果有朋友有好的方法安装Keras的GPU版本，请留言！
转载请联系作者授权，否则将追究法律责任。
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。