1、依赖包安装
安装一些相关的依赖包
sudo apt-get install build-essential cmake git unzip pkg-config libopenblas-dev liblapack-dev
sudo apt-get install python-numpy python-scipy python-matplotlib python-yaml
sudo apt-get install libhdf5-serial-dev python-h5py
sudo pip install -U --pre pip setuptools wheel
sudo pip install -U --pre numpy scipy matplotlib scikit-learn scikit-image
sudo apt-get install graphviz //可视化
sudo pip install pydot-ng //可视化
sudo apt-get install python-opencv
2、Keras安装
安装Keras之前需要安装一下TensorFlow-GPU.
TensorFlow-GPU安装教程:Ubuntu18.04下基于Anaconda安装TensorFlow1.8-GPU
然后在Tensorflow的环境中进行Keras的安装。
source activate tensorflow
方法一:通过源码安装
此处我们通过源码安装,这样可以使用更多的脚本进行练习。
git clone https://github.com/keras-team/keras.git
cd keras
python setup.py install
方法二:通过PyPI安装
pip install keras
安装后进入Python环境
出现以下信息表示安装成功~
(tensorflow) ligy@lab729:~$ python
Python 3.6.7 |Anaconda, Inc.| (default, Oct 23 2018, 19:16:44)
[GCC 7.3.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow
>>> import keras
Using TensorFlow backend.
>>>
3、测试Mnist
在Keras目录下,运行mnist的demo.
python example/mnist_cnn.py
运行完成后如图所示
运行Keras至少一次后,就可以在 ~/.keras/keras.json 文件中找到Keras的配置文件。
此时就可以编辑这个文件,可以选择Keras的后端是TensorFlow、Theano或CNTK。
我的配置文件如下:
{
"floatx": "float32",
"epsilon": 1e-07,
"backend": "tensorflow",
"image_data_format": "channels_last"
}
注:
- 运行examples/mnist_cnn.py脚本时,可以在另一个shell窗口中监控GPU的利用率。命令如下:
watch -n 5 nvidia-smi -a --display=utilization
至此,基于TensorFlow-GPU的Keras已经安装完成!现在开始可以构建深度学习应用了!