因?qū)W習(xí)需要用到keras，通過查找較多資料最終完成Anaconda、TensorFlow和Keras的簡(jiǎn)單安裝。因?yàn)榫W(wǎng)上的相關(guān)資料較多但大部分不夠全面，查找起來(lái)不太方便，因此自己記錄一下成功下載安裝的詳細(xì)過程,順便推薦一下借鑒的寫的很好的相關(guān)教程文章。

keras需要在TensorFlow之上才能運(yùn)行，所以要先安裝TensorFlow ，而TensorFlow只能在3.7以前的python版本中運(yùn)行，所以需要先創(chuàng)建一個(gè)基于python 3.6的虛擬環(huán)境，因此便需要先下載Anaconda。

一、Anaconda3下載和安裝

Anaconda下載安裝教程原文鏈接：https://blog.csdn.net/wq_ocean_/article/details/103889237

博主寫的很詳細(xì)。

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

因此安裝Anaconda的好處主要為以下幾點(diǎn)：

1）包含conda：conda是一個(gè)環(huán)境管理器，其功能依靠conda包來(lái)實(shí)現(xiàn)，該環(huán)境管理器與pip類似，那有童鞋會(huì)問了：我能通過pip裝conda包達(dá)到conda環(huán)境管理器一樣的功能嗎？答案是不能，conda包的實(shí)現(xiàn)離不開conda環(huán)境管理器。想詳細(xì)知道兩者異同可以去知乎遛一遛https://www.zhihu.com/question/279152320

2）安裝大量工具包：Anaconda會(huì)自動(dòng)安裝一個(gè)基本的python，該python的版本Anaconda的版本有關(guān)。該python下已經(jīng)裝好了一大堆工具包，這對(duì)于科學(xué)分析計(jì)算是一大便利，你愿意費(fèi)時(shí)耗力使用pip一個(gè)個(gè)包去裝嗎？

3）可以創(chuàng)建使用和管理多個(gè)不同的Python版本：比如想要新建一個(gè)新框架或者使用不同于Anoconda裝的基本Python版本，Anoconda就可以實(shí)現(xiàn)同時(shí)多個(gè)python版本的管理。

注：Anaconda3下載在官網(wǎng)下載比較慢，而且容易斷，推薦用下面清華鏡像方式：

• 下載地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

根據(jù)需要下載對(duì)應(yīng)版本。

更新conda和所有包的過程較長(zhǎng)，而且網(wǎng)絡(luò)會(huì)對(duì)更新過程造成影響，我個(gè)人安裝Anaconda的時(shí)候暫未進(jìn)行更新，這里可能導(dǎo)致某些問題。

二、TensorFlow下載和安裝

TensorFlow只能在3.7以前的python版本中運(yùn)行，所以需要先創(chuàng)建一個(gè)基于python 3.6的虛擬環(huán)境，舊版本的python可以卸載也可以不卸載（參考Anaconda下載安裝介紹方法）。

參考文章教程原文鏈接：

TensorFlow和Keras安裝教程_TensorFlow安裝Keras_你是認(rèn)真的嗎...的博客-CSDN博客

簡(jiǎn)潔的keras安裝方法_keras下載安裝教程_m0_37575524的博客-CSDN博客

1. 打開Anaconda Prompt（先下載Anaconda3）

Anaconda Prompt常用語(yǔ)句：

1.查看存在的環(huán)境：conda info -e

2.創(chuàng)建新環(huán)境：conda create --name 環(huán)境名 python=（python的版本號(hào)）

3.切換到某個(gè)環(huán)境：conda activate 環(huán)境名

4.查看環(huán)境中已安裝的包：conda list

5.在環(huán)境中安裝包：pip install 包名

6.刪除包:pip unstall 包名

7.刪除環(huán)境：conda env remove -n 環(huán)境名

2. 新建一個(gè)python3.6環(huán)境（不建議用自帶的base）

#創(chuàng)建虛擬環(huán)境名
conda create -n TensorFlow_py python=3.6
#查看已創(chuàng)建環(huán)境
conda info --envs
#切換到創(chuàng)建的環(huán)境中
conda activate TensorFlow_py

當(dāng)命令行前綴（base）變成對(duì)應(yīng)的環(huán)境名（TensorFlow_py）時(shí)成功切換環(huán)境，在該環(huán)境下輸入python

#命令行輸入python檢查當(dāng)前python版本，顯示>>>表示成功安裝，可直接輸入python命令
python
#進(jìn)入python
>>>exit() #輸入該命令退出python

（其中python3.6版本文件會(huì)安裝在Anaconda的\envs\TensorFlow_py\文件夾下）

3. 安裝TensorFlow

打開Anaconda Prompt后輸入以下命令下載更新pip

python -m pip install --upgrade pip

因?yàn)镵eras搭建在TensorFlow基礎(chǔ)上，在安裝Keras安裝之前需要安裝numpy、matplotlib、scipy等工具包，可直接pip下載也可使用清華鏡像網(wǎng)下載安裝相關(guān)的python模塊包。

#清華鏡像下載較快
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple +包名 
#直接下載模塊包
pip install +包名 
#卸載包
pip uninstall +包名 

在上述TensorFlow_py環(huán)境下打開python，輸入import+包名，未報(bào)錯(cuò)則成功安裝模塊包

安裝TensorFlow2.0.0（可自己選擇安裝的版本，修改版本號(hào)即可）

pip install TensorFlow==2.0.0

注：因?yàn)镵eras一定要和下載的TensorFlow版本匹配，所以后續(xù)下載Keras要注意看下載的是哪個(gè)版本

部分版本對(duì)應(yīng)圖如下：

下載完打開python 進(jìn)行import +tensorflow，驗(yàn)證是否成功安裝TensorFlow

三、Keras下載和安裝

1. 打開Anaconda prompt切換到有TensorFlow的環(huán)境下：

conda activate TensorFlow_py

2. 安裝keras前先依次執(zhí)行以下兩個(gè)命令:

conda install mingw libpython 
pip install theano

3. 最后執(zhí)行安裝keras的命令，注意版本號(hào)要對(duì)應(yīng)TensorFlow

pip install keras==2.3.1  

下載完打開python 進(jìn)行import +keras，輸出Using TensorFlow backend安裝成功。

四、配置PyCharm

順便記錄一下在進(jìn)行PyCharm配置時(shí)遇到的問題

1. 新建項(xiàng)目后選擇添加解釋器

2. 選擇左側(cè)Conda環(huán)境，新版本下的PyCharm如下界面，其中Conda可執(zhí)行文件選擇Anaconda3根目錄下的_conda.exe文件，點(diǎn)擊加載環(huán)境，具體內(nèi)容可參考文章pycharm找不到conda可執(zhí)行文件_月光衛(wèi)士的博客-CSDN博客

3. 直接使用現(xiàn)有環(huán)境即可

4. 創(chuàng)建項(xiàng)目文件，左下角選擇TensorFlow_py路徑下的解釋器

5. 等待解釋器內(nèi)容更新完畢后，添加代碼并執(zhí)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
#加載數(shù)據(jù)集并處理
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()#歸一化處理，注意必須進(jìn)行歸一化操作，否則準(zhǔn)確率非常低，圖片和標(biāo)簽

#將圖片由二維鋪開成一維
train_images = train_images.reshape((60000, 28*28)).astype('float')  #將28*28的二維數(shù)組轉(zhuǎn)變?yōu)?84的一維數(shù)組，浮點(diǎn)數(shù)類型
test_images = test_images.reshape((10000, 28*28)).astype('float')
train_labels = to_categorical(train_labels)  #to_categorical就是將類別向量轉(zhuǎn)換為二進(jìn)制（只有0和1）的矩陣類型表示
test_labels = to_categorical(test_labels)
#print(train_labels[0])
#搭建神經(jīng)網(wǎng)絡(luò)（全連接）
network = models.Sequential()   #選用的是Sequential 序貫?zāi)Ｐ蛃igmoid
network.add(layers.Dense(units=15, activation='sigmoid', input_shape=(28*28, ),))#添加一個(gè)(隱藏層)全連接層，神經(jīng)元為15，激活函數(shù)是relu線性整流
#函數(shù),輸入形狀為28*28
network.add(layers.Dense(units=10, activation='softmax'))#添加一個(gè)(輸出層)全連接層，神經(jīng)元為10，激活函數(shù)為softmax(Softmax 具有更好的解釋性，
#這塊通過softmax激活函數(shù)，最后的數(shù)組中，十個(gè)數(shù)哪個(gè)最大，計(jì)算機(jī)就認(rèn)為是哪個(gè)

#神經(jīng)網(wǎng)絡(luò)的編譯和訓(xùn)練
# 編譯步驟，損失函數(shù)是模型優(yōu)化的目標(biāo)，優(yōu)化器使用RMSporp,學(xué)習(xí)率為0.001，損失函數(shù)是categorical_crossentropy，評(píng)價(jià)函數(shù)為accuracy準(zhǔn)確率
network.compile(optimizer='sgd', loss='categorical_crossentropy', metrics=['accuracy'])#RMSprop(lr=0.001)
# 訓(xùn)練網(wǎng)絡(luò)，用fit函數(shù)（fit()方法用于執(zhí)行訓(xùn)練過程）, epochs表示訓(xùn)練多少個(gè)回合， batch_size表示每次訓(xùn)練給多大的數(shù)據(jù)，一次訓(xùn)練所選取的樣本數(shù)。
network.fit(train_images, train_labels, epochs=22, batch_size=128, verbose=1)  #verbose：日志顯示 0 為不在標(biāo)準(zhǔn)輸出流輸出日志信息 1 為輸出進(jìn)度條記錄
                                                                                                                #2 為每個(gè)epoch輸出一行記錄
#測(cè)試集上測(cè)試模型性能
#y_pre = network.predict(test_images[:5])  #預(yù)測(cè)前五張圖片的，model.predict 實(shí)際預(yù)測(cè)，其輸出是目標(biāo)值，根據(jù)輸入數(shù)據(jù)預(yù)測(cè)。
#print(y_pre, test_labels[:5])
test_loss, test_accuracy = network.evaluate(test_images, test_labels)  #model.evaluate函數(shù)預(yù)測(cè)給定輸入的輸出
print("test_loss:", test_loss, "    test_accuracy:", test_accuracy)
print(network.summary())  #查看神經(jīng)網(wǎng)絡(luò)model結(jié)構(gòu)

此文僅供學(xué)習(xí)參考使用，若有不正確需要補(bǔ)充的地方歡迎指正。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-435279.html