安装anaconda、tensorflow(cpu版)以及keras，pycharm设置

一、安装anaconda

直接官网下载安装,https://www.anaconda.com/。
之前没有安过python的，直接在安装过程中添加环境变量就行，下面两个选项都选，安装过的不选第一个，只选第二个。

没有勾选第一个的，添加修改环境变量。
之前安装过的python环境改为anaconda。

我之前下载的是python3.9.0，装在prgram files里面，像下面一样修改。

可以选择把之前下载的python卸载了，利用之前下的安装exe卸载，比较干净。

二、安装tensflow和keras

1.准备工作

keras最高支持到3.6，直接下载的anaconda里python版本为3.8，不支持。所以创建个虚拟环境，里面python用3.6的版本

利用命令行conda create -n python36 python=3.6下载虚拟环境，-n 后面的python36只是个名字，可以改，不要包含中文及大写字母、空格之类的。
中间有个让选择y/n，选择y，下完之后，并且打开anaconda下的env可以看到出现python36，这个文件夹的名字是上面安装的时候设置的：

如果之后想卸载，命令为conda remove -n env_name --all。下面是安装虚拟环境后，出现的文件夹。

这个时候输入conda env list可以看到出现了python36，base是安装anaconda自带的版本，也就是3.8的版本。

2.利用pip安装库

首先把环境调到python36下面，输入activate python36，上一步改名了的就输入activate ***(自己设置的名字)，之后命令前面会出现（python36）。
对于tensorflow，因为是集显没有NVIDIA显卡，所以直接安装CPU版本的，安装命令为pip install tensflow-cpu，同样等待安装，如果需要指定版本，可以输入pip install tensflow-cpu==×.×。

安装好tensorflow之后再安装keras：
pip install keras，等着安装。

2.检查一下

三、pycharm设置

文件-设置-项目-python解释器，小齿轮点添加，

系统解释器，点三个小点点添加，选择前面的anaconda\envs\python36下的python.exe，确认，应用即可

最后看下keras的backend是不是tensorflow，一般默认是的，不会有问题。在.keras\keras.json，用记事本打开，看到backend是tensorflow。

完成。

四、检验一下

最后用B站课程上 深度学习超全项目合集 上的变分自编码器检验一下。
下面展示一些 内联代码片。

import numpy as np
import matplotlib.pyplot as plt

from keras.layers import Input, Dense, Lambda
from keras.models import Model
from keras import backend as K  # 用来定义一些函数
from keras import objectives  # 训练的目标函数
from keras.datasets import mnist  # 手写数据识别

batch_size = 100
original_dim = 784  # 28*28
intermediate_dim = 256  # 第二个全连接层的输入是256
latent_dim = 2  # 输出维度为2
epochs = 50  # 迭代层数

# encoder部分
x = Input(shape=(original_dim,))
h = Dense(intermediate_dim, activation='relu')(x)  # 输入维度会自动根据x指定，只需要指定输出维度
z_mean = Dense(latent_dim)(h)  # 隐藏层，输出均值(2维)
z_log_var = Dense(latent_dim)(h)  # 隐藏层，输出方差(2维)


# Lambda层，不参与训练，只是计算
def sampling(args):
    z_mean, z_log_var = args
    epsilon = K.random_normal(shape=(batch_size, latent_dim), mean=0.)  # 100 *2， 均值为0的标准正态分布
    return z_mean + K.exp(z_log_var / 2) * epsilon


z = Lambda(sampling, output_shape=(latent_dim,))([z_mean, z_log_var])

# decoder部分
decoder_h = Dense(intermediate_dim, activation='relu')
decoder_mean = Dense(original_dim, activation='sigmoid')
h_decoded = decoder_h(z)
x_decoded_mean = decoder_mean(h_decoded)


# 定义总损失函数
def vae_loss(x, x_decoded_mean):
    xent_loss = original_dim * objectives.binary_crossentropy(x, x_decoded_mean)
    kl_loss = -0.5 * K.sum(1 + z_log_var - K.square(z_mean) - K.exp(z_log_var), axis=-1)
    return xent_loss + kl_loss

vae = Model(x, x_decoded_mean)
vae.compile(optimizer='rmsprop', loss=vae_loss)

# 训练
(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255
x_train = x_train.reshape((len(x_train), np.prod(x_train.shape[1:])))
x_test = x_test.reshape((len(x_test), np.prod(x_train.shape[1:])))

vae.fit(x_train, x_train, shuffle=True, epochs=epochs,
        batch_size=batch_size, validation_data=(x_test, x_test))

# 生成新的x

encoder = Model(x, z_mean)

x_test_encoded = encoder.predict(x_test, batch_size=batch_size)
plt.figure(figsize=(6, 6))
plt.scatter(x_test_encoded[:, 0], x_test_encoded[:, 1], c=y_test)
plt.colorbar()
plt.show()

decoder_input = Input(shape=(latent_dim,))
_h_decoded = decoder_h(decoder_input)
_x_decoded_mean = decoder_mean(_h_decoded)
generator = Model(decoder_input, _x_decoded_mean)

n = 20
digit_size = 28
figure = np.zeros((digit_size * n, digit_size * n))
grid_x = np.linspace(-4, 4, n)
grid_y = np.linspace(-4, 4, n)

for i, xi in enumerate(grid_x):
    for j, yi in enumerate(grid_y):
        z_sample = np.array([[yi, xi]])
        x_decoded = generator.predict(z_sample)
        digit = x_decoded[0].reshape(digit_size, digit_size)
        figure[(n - i - 1) * digit_size: (n - i) * digit_size,
               j * digit_size: (j + 1) * digit_size] = digit

plt.figure(figsize=(10, 10))
plt.imshow(figure)
plt.show()

看到正常从keras下载了mnist数据集，训练，并预测。

完成。