Ubuntu 搭建深度学习框架 keras

深度学习框架Keras是基于Tensorflow的所以,安装keras需要安装Tensorflow:

1. 安装教程主要参考于两个博客的教程:

    https://www.cnblogs.com/HSLoveZL/archive/2017/10/27/7742606.html

    https://www.jianshu.com/p/5b708817f5d8?from=groupmessage

2. 本教程开始:

    Ubuntu安装的教程就略过了,直接从深度学习所需的环境的搭建开始说起

    (需要说明的是,之所以要写个教程是因为本人安装了很多遍都是失败的,原始是在该教程编写的日期(18-06-01)的时候,我用的是CUDA9.2,但是9.2版本在整个环境搭建好最后import tensorflow的时候会报错:"ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory",尝试了很多办法也不行,应该是Tensorflow还不支持CUDA9.2,虽然文档说可以。因此本文改用CUDA9.0(卸载CUDA卸载不干净,原谅我不会用Ubuntu,只能重装Ubuntu了))

      一、安装CUDA环境:

       (1) 下载 CUDA 9.0 :

              

    (2)打开终端,切换到下载的deb的目录:

$ sudo dpkg -i cuda-repo-ubuntu1604-9-0-local_9.0.176-1_amd64.deb
$ sudo apt-key add /var/cuda-repo-<version>/7fa2af80.pub
$ sudo apt-get update
$ sudo apt-get install cuda

      (3)完成后,配置CUDA环境:

$ sudo gedit ~/.bashrc

         (4) 在文件末尾添加:

export CUDA_HOME=/usr/local/cuda-9.0
export PATH=/usr/local/cuda-9.0/bin:${PATH}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:${LD_LIBRARY_PATH}

         (5) 修改保存后:

$ source ~/.bashrc

         (6) 验证是否配置成功:

$ nvcc -V

         二、安装CUDNN加速库:

         (1) 下载 CUDNN 7.14 (对应CUDA9.0):注意,下载的是第一个for Linux

               (当时我安装失败的时候,由于教程里面没有提及下载地址,我就直接百度CUDNN,下载的是带Power8,power9那种,所以安装完然后import tensorflow的时候,就报错"ImportError: libcudnn.so.7: cannot open shared object file: No such file or directory",尝试了很多方法 例如 ... ,也查了很多包括stackoverflow、github上面的方法还是不行,后来再参考一下别的深度学习环境教程,就是上面提到的参考教程的第二条,于是就进入了现在正确的下载地址,后来就安装成功了)

               

       (2)然后继续按照 Installation Guide,进入下载该包的目录:

$ tar -xzvf cudnn-9.0-linux-x64-v7.tgz

$ sudo cp cuda/include/cudnn.h /usr/local/cuda/include
$ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
$ sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

         三、安装Keras框架:

         (1) 安装相关包:

$ sudo pip3 install scikit-learn scikit-image
$ sudo pip3 install tensorflow-gpu  # GPU加速版
$ sudo pip3 install keras

          在这里插播一下:

           1)若没安装pip,即"command not found"时需要先安装pip,然后使用Python3时需要用pip3来安装(Ubuntu16.04 是默认安装了两个版本的Python的,在"/usr/local/lib”中可以看到,分别是python2.7和python3.5)

# For Python 3
$ sudo apt-get install python3-pip

# For Python 2
$ sudo apt-get install python-pip

           2)使用pip来安装的时候,若想加快安装速度,使用国内的镜像,例如:

$ sudo pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple keras

            3)最后在终端中验证是否安装成功:

# Enter python3.5
$ python3

>>> import tensorflow
>>> import keras

             若不报错,即配置成功。

转载于:https://www.cnblogs.com/dimsumboy/p/9125554.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
addition_rnn.py 执行序列学习以执行两个数字(作为字符串)的添加。 antirectifier.py 演示如何为Keras编写自定义图层。 babi_memnn.py 在bAbI数据集上训练一个内存网络以进行阅读理解。 babi_rnn.py 在bAbI数据集上训练一个双支循环网络,以便阅读理解。 cifar10_cnn.py 在CIFAR10小图像数据集上训练一个简单的深CNN。 conv_filter_visualization.py 通过输入空间中的渐变上升可视化VGG16的过滤器。 conv_lstm.py 演示使用卷积LSTM网络。 deep_dream.py 深深的梦想在克拉斯。 image_ocr.py 训练一个卷积堆叠,后跟一个循环堆栈和一个CTC logloss函数来执行光学字符识别(OCR)。 imdb_bidirectional_lstm.py 在IMDB情绪分类任务上训练双向LSTM。 imdb_cnn.py 演示使用Convolution1D进行文本分类。 imdb_cnn_lstm.py 在IMDB情绪分类任务上训练一个卷积堆栈,后跟一个循环堆栈网络。 imdb_fasttext.py 在IMDB情绪分类任务上训练一个FastText模型。 imdb_lstm.py 在IMDB情绪分类任务上训练一个LSTM。 lstm_benchmark.py 比较IMDB情绪分类任务上不同的LSTM实现。 lstm_text_generation.py 生成尼采文字的文字。 mnist_acgan.py 在MNIST数据集上实现AC-GAN(辅助分类器GAN) mnist_cnn.py 在MNIST数据集上训练一个简单的convnet。 mnist_hierarchical_rnn.py 训练一个分级RNN(HRNN)来分类MNIST数字。 mnist_irnn.py Le等人在“以简单的方式初始化整流线性单元的反复网络”中再现具有逐像素连续MNIST的IRNN实验。 mnist_mlp.py 在MNIST数据集上训练一个简单的深层多层感知器。 mnist_net2net.py 在“Net2Net:通过知识转移加速学习”中再现带有MNIST的Net2Net实验。 mnist_siamese_graph.py 从MNIST数据集中的一对数字上训练暹罗多层感知器。 mnist_sklearn_wrapper.py 演示如何使用sklearn包装器。 mnist_swwae.py 列出了一个堆栈,其中AutoEncoder在MNIST数据集上的剩余块上构建。 mnist_transfer_cnn.py 转移学习玩具的例子。 neural_doodle.py 神经涂鸦。 neural_style_transfer.py 神经样式转移。 pretrained_word_embeddings.py 将预训练的词嵌入(GloVe embeddings)加载到冻结的Keras嵌入层中,并使用它在20个新闻组数据集上训练文本分类模型。 reuters_mlp.py 在路透社newswire主题分类任务上训练并评估一个简单的MLP。 stateful_lstm.py 演示如何使用有状态的RNN有效地建模长序列。 variational_autoencoder.py 演示如何构建变体自动编码器。 variational_autoencoder_deconv.py 演示如何使用反褶积层使用Keras构建变体自动编码器。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值