anaconda安装tensorflow和keras,anaconda3安装tensorflow和keras
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.为tensorflow Python创建虚拟环境针对不同的项目需求创建不同的虚拟环境是非常常见的。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：
一个create-name tensorflow python=3 . 5 . 2这里我们取tensor flow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tensorflow，提示会显示(tensorflow):
3.安装TensorFlow。可能有的同学会问我们，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然后用pip直接安装：
如果pip安装tensorflow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：
4.安装Keras。同样，打开Anaconda提示符，进入tensorflow虚拟环境，使用pip安装Keras:
Pipkeras，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。输入以下命令：
一个condinstall 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.开始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非常简单。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示例下面是本书中的一个简单示例，使用Keras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)
最终print(result)结果显示，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。本书作者建议你尽量使用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！
版权归作者所有：原创作品来自博主wx5d44d4866b864，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。