keras和python,keras兼容的python

  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。

留言与评论(共有 条评论)
   
验证码: