keras、tensorflow安装详解-神经网络第一个脚本

目录

一、基本概念

二、操作步骤详解

2.1实现规划：（建议版本是自己运行的版本）

2.2详细操作步骤：

1、安装pycharmIDE编辑软件。

2、安装Anaconda

3、安装配置工具、安装依赖包，增加源的地址，加快下载速率。

三、代码运行

---

 

 人工智能神经网络学习离不开keras、tensorflow这几个包的支持。所以如何运用好keras、tensorflow是实现计算机深度学习的关键了。

一、基本概念

 Keras是由纯python编写的基于theano/tensorflow的深度学习框架。

         Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras：

                a）简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）

                b）支持CNN和RNN，或二者的结合

                c）无缝CPU和GPU切换

TensorFlow是一个深度学习库，由 Google 开源，可以对定义在 Tensor(张量)上的函数自动求导。

Tensor(张量)意味着 N 维数组，Flow(流)意味着基于数据流图的计算，TensorFlow即为张量从图的一端流动到另一端。

它的一大亮点是支持异构设备分布式计算，它能够在各个平台上自动运行模型，从电话、单个CPU / GPU到成百上千GPU卡组成的分布式系统。

支持CNN、RNN和LSTM算法，是目前在 Image，NLP 最流行的深度神经网络模型。

（by百度和其他网友，具体概念大家深入了解）

二、操作步骤详解

2.1实现规划：（建议版本是自己运行的版本）

1、安装pycharm、网上有教程（建议安装2020版）

2、安装Anaconda、网上有教程，基本上都是默认，注意勾选增加python3.6的环境变量到系统里面。（建议安装Anaconda3，因为3的话使用的python3.6以上的版本，tensorflow是在pyhon3.0以上的版本跑的模块。如果有python2版本跑成功的操作，私信我。我也研究很久，没有跑成功过。）

3、安装依赖包，增加源的地址，加快下载速率。

4、python环境导入keras和tensorflow模块，进行测试。

5、目前测试成功环境包的版本：pycharm2020.1，Anaconda3-2019.10-Windows-x86_64,tensorflow-gpu=1.13.2、keras2.1.5、scipy1.2.1、numpy1.16.0、
matplotlib3.1.2、opencv_python4.1.2.30、tqdm4.60.0、Pillow8.2.0、h5py2.10.0
cuda10.0、cudnn7.4.1.5（这里有tensorflow版本对应cuda的参数表，网上看看对应参数表，而且要看自己显卡的gpu的算力，如果算不够，有可能编译出错了。）

镜像源的环境：

channels:
  - https://mirrors.aliyun.com/pypi/simple/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  - defaults

2.2详细操作步骤：

1、安装pycharmIDE编辑软件。

可以不用安装python的环境，因为要使用Anaconda中的python环境，推荐网友安装过程。PyCharm2021安装教程_学习H的博客-CSDN博客_pycharm2021安装教程

2、安装Anaconda

Anaconda3安装教程(详细)_honor-CSDN博客_安装anaconda3

基本上都是默认安装，注意就是这里选择添加Anaconda的3.6版本。打钩后，Anaconda会自己安装好python3.6版本在系统里面。建议安装在C盘，配置环境或者找生成文件时候可以找寻的文件。

3、安装配置工具、安装依赖包，增加源的地址，加快下载速率。

3.1、安装Visual Studio的开发工具

Visual Studio 2017不仅支持C#、C++、Python、Visual Basic、Node.js、HTML、JavaScript等各大编程语言，还能开发 iOS、Android 的移动平台应用，Visual Studio 2017 甚至还自带了iOS模拟器（之前为MAC独享的开发环境）

我这里直接用的是Visual Studio 2022最新版，然后将选配项里面pyhon开发配置勾选都打上，避免计算不行。（后面发现基本不是这个问题）

Visual Studio 2017下载地址和安装教程（图解版）_《好好先生》专栏-CSDN博客

3.2、Cudnn和CUDA的下载和安装（需要先安装Visual Studio）

Cuda其是由NVIDIA发明的并行计算平台以及编程模型，它可以显著的提高GPU的计算性能。

Cudann是NVIDIA的cuDNN是针对深度神经网络计算的一个GPU加速库，为标准例程提供了高度优化的实现，比如向前、向后卷积，池化，规范化和激活层。其是NVIDIA Deep Learning SDK的一部分。

推荐安装地址：深度学习环境配置1——windows下的tensorflow-gpu=1.13.2环境配置_Bubbliiiing的学习小课堂-CSDN博客_tensorflow-gpu1.13.2

 注意一点：操作复制这一步时，如果有同名的文件夹，就将文件夹里面的配置文件复制过去覆盖，没有同名文件夹就直接复制过去了。

正常安装完Anaconda程序后，选择Anaconda Prompt进行命令行运行，Anaconda的操作命令行。直接网友搜索链接可以找寻到相关指令，师傅领进门修行在自身了。

【python】win10下anaconda环境切换命令_lovetobelove的博客-CSDN博客_anaconda切换环境Anacond下载下载地址：https://www.anaconda.com/download/管理虚拟环境 接下来我们就可以用anaconda来创建我们一个个独立的python环境了.接下来的例子都是在命令行操作的,请打开你的命令行吧. activate activate 能将我们引入anaconda设定的虚拟环境中, 如果你后面什么参数都不加那么会进入anaco...https://blog.csdn.net/lovetobelove/article/details/86605194?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522164681881816780271978357%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=164681881816780271978357&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-2-86605194.pc_search_result_control_group&utm_term=Anaconda%E5%88%87%E6%8D%A2%E7%8E%AF%E5%A2%83&spm=1018.2226.3001.4187

Anaconda Prompt命令的截图：

 

安装依赖包和环境变量，推荐这个教程，老师讲的非常详细了。

深度学习环境配置1——windows下的tensorflow-gpu=1.13.2环境配置_Bubbliiiing的学习小课堂-CSDN博客_tensorflow-gpu1.13.2神经网络学习小记录42——windows下的tensorflow-gpu=1.13.2环境配置学习前言环境内容Anaconda安装下载Cudnn和CUDA配置tensorflow环境安装VSCODE学习前言好多人问环境怎么配置，还是出个教程吧。环境内容tensorflow-gpu：1.13.2keras：2.1.5numpy：1.17.4Anaconda安装取网上搜索Anacon...https://blog.csdn.net/weixin_44791964/article/details/104702142注意一点：如果报错错误FutureWarning: Passing (type, 1) or ‘1type‘ as a synonym of type is deprecated；

这里需要降级numpy的版本，下列截图是我删除版本后的操作，可以正常导入tensorflow和keras模块了。那么在pycharm里面就可以调用Anaconda的数据包

解决numpy版本过高产生的警告FutureWarning: Passing (type, 1) or ‘1type‘ as a synonym of type is deprecated；_沉醉于风中的博客-CSDN博客/home/linux/.conda/envs/tf_py3/lib/python3.5/site-packages/tensorflow/python/framework/dtypes.py:527: FutureWarning: Passing (type, 1) or ‘1type’ as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / ‘(1,https://blog.csdn.net/weixin_51697369/article/details/119460212?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522164687447016780255245415%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=164687447016780255245415&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-1-119460212.pc_search_result_control_group&utm_term=+FutureWarning%3A+Passing+%28type%2C+1%29+or+1type+as+a+synonym+of+type+is+deprecated%3B+in+a+future+version+of+numpy%2C+it+will+be+understood+as+%28type%2C+%281%2C%29%29+%2F+%281%2C%29type.&spm=1018.2226.3001.4187

三、代码运行

在pycharm里面增加Anaconda的环境变量。

敲入代码，能够正常运行神经网络模块能够正常运行，计算每个模型的时间。

 我这里报了两个警告是提示我tensorflow的版本结构需要升级了，语法有一些出入。（可以忽略）

 代码部分：

注意一点：我安装的keras的版本有点高，所以有些模块已经被弃用了。

from sklearn.cross_validation import train_test_split更换为:
from sklearn.model_selection import train_test_split

model.fit(train_data,labels_train,np_epoch=200,batch_size=40)更换为：model.fit(train_data,labels_train,epochs=200,batch_size=40)

挖坑环节：刚开始我想安装低版本sklearn，但是源里面没有版本，后面找到新版本指令进行调试。

运行代码：

#encoding=utf-8
import numpy as np
import pandas as pd
import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense,Activation
from keras.optimizers import SGD
 
###导入模型数据
def main():
    from sklearn.datasets import load_iris
    iris=load_iris()
    print(iris["target"])
    print("经过机器学习得到的数值：")
    from sklearn.preprocessing import LabelBinarizer
    print(LabelBinarizer().fit_transform(iris["target"]))
    ####数据进行神经网络学习测试
    from sklearn.model_selection import GridSearchCV
    from sklearn.model_selection import train_test_split
    train_data,test_data,train_target,test_target=train_test_split(iris.data,iris.target,test_size=0.2,random_state=1)
    labels_train=LabelBinarizer().fit_transform(train_target)
    labels_test=LabelBinarizer().fit_transform(train_target)
 
    model=Sequential(
        [Dense(5,input_dim=4),
         Activation("relu"),
         Dense(3),
         Activation("sigmoid"),
         ]
    )
    #model=Sequential()
    #model.add(Dense(5,input=4))
    sgd=SGD(lr=0.01,decay=1e-6,momentum=0.9,nesterov=True)
    model.compile(optimizer=sgd,loss="categorical_crossentropy")
    model.fit(train_data,labels_train,epochs=200,batch_size=40)
    print(model.predict_classes(test_data))
 
 
 
 
if __name__=="__main__":
    main()

  IT学海无涯苦作舟，特别鸣谢CSDN-Bubbliiiing导师提供的架构支持，以及其他网友的帮助和提供支持。