Anaconda3、TensorFlow和keras简单安装方法_anaconda3 2024 tensorflow keras cpu 安装

因学习需要用到keras，通过查找较多资料最终完成Anaconda、TensorFlow和Keras的简单安装。因为网上的相关资料较多但大部分不够全面，查找起来不太方便，因此自己记录一下成功下载安装的详细过程,顺便推荐一下借鉴的写的很好的相关教程文章。

keras需要在TensorFlow之上才能运行，所以要先安装TensorFlow ，而TensorFlow只能在3.7以前的python版本中运行，所以需要先创建一个基于python 3.6的虚拟环境，因此便需要先下载Anaconda。

一、Anaconda3下载和安装

Anaconda下载安装教程原文链接：https://blog.csdn.net/wq_ocean_/article/details/103889237

博主写的很详细。

Anaconda包括Conda、Python以及一大堆安装好的工具包，比如：numpy、pandas等

因此安装Anaconda的好处主要为以下几点：

1）包含conda：conda是一个环境管理器，其功能依靠conda包来实现，该环境管理器与pip类似，那有童鞋会问了：我能通过pip装conda包达到conda环境管理器一样的功能吗？答案是不能，conda包的实现离不开conda环境管理器。想详细知道两者异同可以去知乎遛一遛https://www.zhihu.com/question/279152320

2）安装大量工具包：Anaconda会自动安装一个基本的python，该python的版本Anaconda的版本有关。该python下已经装好了一大堆工具包，这对于科学分析计算是一大便利，你愿意费时耗力使用pip一个个包去装吗？

3）可以创建使用和管理多个不同的Python版本：比如想要新建一个新框架或者使用不同于Anoconda装的基本Python版本，Anoconda就可以实现同时多个python版本的管理。

注：Anaconda3下载在官网下载比较慢，而且容易断，推荐用下面清华镜像方式：

• 下载地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

根据需要下载对应版本。

更新conda和所有包的过程较长，而且网络会对更新过程造成影响，我个人安装Anaconda的时候暂未进行更新，这里可能导致某些问题。

二、TensorFlow下载和安装

TensorFlow只能在3.7以前的python版本中运行，所以需要先创建一个基于python 3.6的虚拟环境，旧版本的python可以卸载也可以不卸载（参考Anaconda下载安装介绍方法）。

参考文章教程原文链接：

TensorFlow和Keras安装教程_TensorFlow安装Keras_你是认真的吗…的博客-CSDN博客

简洁的keras安装方法_keras下载安装教程_m0_37575524的博客-CSDN博客

1. 打开Anaconda Prompt（先下载Anaconda3）

Anaconda Prompt常用语句：

1.查看存在的环境：conda info -e

2.创建新环境：conda create --name 环境名 python=（python的版本号）

3.切换到某个环境：conda activate 环境名

4.查看环境中已安装的包：conda list

5.在环境中安装包：pip install 包名

6.删除包:pip unstall 包名

7.删除环境：conda env remove -n 环境名

2. 新建一个python3.6环境（不建议用自带的base）

#创建虚拟环境名
conda create -n TensorFlow_py python=3.6
#查看已创建环境
conda info --envs
#切换到创建的环境中
conda activate TensorFlow_py
1
2
3
4
5
6

当命令行前缀（base）变成对应的环境名（TensorFlow_py）时成功切换环境，在该环境下输入python

#命令行输入python检查当前python版本，显示>>>表示成功安装，可直接输入python命令
python
#进入python
>>>exit() #输入该命令退出python
1
2
3
4

（其中python3.6版本文件会安装在Anaconda的\envs\TensorFlow_py\文件夹下）

3. 安装TensorFlow

打开Anaconda Prompt后输入以下命令下载更新pip

python -m pip install --upgrade pip
1

因为Keras搭建在TensorFlow基础上，在安装Keras安装之前需要安装numpy、matplotlib、scipy等工具包，可直接pip下载也可使用清华镜像网下载安装相关的python模块包。

#清华镜像下载较快
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple +包名 
#直接下载模块包
pip install +包名 
#卸载包
pip uninstall +包名 
1
2
3
4
5
6

在上述TensorFlow_py环境下打开python，输入import+包名，未报错则成功安装模块包

安装TensorFlow2.0.0（可自己选择安装的版本，修改版本号即可）

pip install TensorFlow==2.0.0
1

注：因为Keras一定要和下载的TensorFlow版本匹配，所以后续下载Keras要注意看下载的是哪个版本

部分版本对应图如下：

下载完打开python 进行import +tensorflow，验证是否成功安装TensorFlow

三、Keras下载和安装

1. 打开Anaconda prompt切换到有TensorFlow的环境下：

conda activate TensorFlow_py
1

2. 安装keras前先依次执行以下两个命令:

conda install mingw libpython 
pip install theano
1
2

3. 最后执行安装keras的命令，注意版本号要对应TensorFlow

pip install keras==2.3.1  
1

下载完打开python 进行import +keras，输出Using TensorFlow backend安装成功。

四、配置PyCharm

顺便记录一下在进行PyCharm配置时遇到的问题

1. 新建项目后选择添加解释器

2. 选择左侧Conda环境，新版本下的PyCharm如下界面，其中Conda可执行文件选择Anaconda3根目录下的_conda.exe文件，点击加载环境，具体内容可参考文章pycharm找不到conda可执行文件_月光卫士的博客-CSDN博客

3. 直接使用现有环境即可

4. 创建项目文件，左下角选择TensorFlow_py路径下的解释器

5. 等待解释器内容更新完毕后，添加代码并执行

from keras.utils import to_categorical
from keras import models, layers, regularizers
from keras.optimizers import RMSprop
from keras.datasets import mnist
import matplotlib.pyplot as plt
#加载数据集并处理
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()#归一化处理，注意必须进行归一化操作，否则准确率非常低，图片和标签

#将图片由二维铺开成一维
train_images = train_images.reshape((60000, 28*28)).astype('float')  #将28*28的二维数组转变为784的一维数组，浮点数类型
test_images = test_images.reshape((10000, 28*28)).astype('float')
train_labels = to_categorical(train_labels)  #to_categorical就是将类别向量转换为二进制（只有0和1）的矩阵类型表示
test_labels = to_categorical(test_labels)
#print(train_labels[0])
#搭建神经网络（全连接）
network = models.Sequential()   #选用的是Sequential 序贯模型sigmoid
network.add(layers.Dense(units=15, activation='sigmoid', input_shape=(28*28, ),))#添加一个(隐藏层)全连接层，神经元为15，激活函数是relu线性整流
#函数,输入形状为28*28
network.add(layers.Dense(units=10, activation='softmax'))#添加一个(输出层)全连接层，神经元为10，激活函数为softmax(Softmax 具有更好的解释性，
#这块通过softmax激活函数，最后的数组中，十个数哪个最大，计算机就认为是哪个

#神经网络的编译和训练
# 编译步骤，损失函数是模型优化的目标，优化器使用RMSporp,学习率为0.001，损失函数是categorical_crossentropy，评价函数为accuracy准确率
network.compile(optimizer='sgd', loss='categorical_crossentropy', metrics=['accuracy'])#RMSprop(lr=0.001)
# 训练网络，用fit函数（fit()方法用于执行训练过程）, epochs表示训练多少个回合， batch_size表示每次训练给多大的数据，一次训练所选取的样本数。
network.fit(train_images, train_labels, epochs=22, batch_size=128, verbose=1)  #verbose：日志显示 0 为不在标准输出流输出日志信息 1 为输出进度条记录
                                                                                                                #2 为每个epoch输出一行记录
#测试集上测试模型性能
#y_pre = network.predict(test_images[:5])  #预测前五张图片的，model.predict 实际预测，其输出是目标值，根据输入数据预测。
#print(y_pre, test_labels[:5])
test_loss, test_accuracy = network.evaluate(test_images, test_labels)  #model.evaluate函数预测给定输入的输出
print("test_loss:", test_loss, "    test_accuracy:", test_accuracy)
print(network.summary())  #查看神经网络model结构
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

此文仅供学习参考使用，若有不正确需要补充的地方欢迎指正。

学习资源推荐

零基础Python学习资源介绍