keras3.0的相关环境配置

gpr的远方

已于 2024-07-09 23:16:02 修改

阅读量1.5k

点赞数 14

文章标签： python keras pytorch

于 2024-06-26 12:39:26 首次发布

本文链接：https://blog.csdn.net/gepanruiii/article/details/139941536

版权

硬件环境：CPU：AMD 5800H、GPU：NVIDIA RTX 3060
软件系统：win11

文章目录

前言
一、安装CUDA11.8及以上版本用于支持PyTorch
二、安装cuDNN
三、安装anaconda
四、安装PyTorch
五、安装Keras
六、Keras配置PyTorch
七、Keras使用验证

前言

随着Keras3.0与win11的普及，适配于CUDA11.2（只能支持到win10）的tensorflow（只支持python3.6-3.9，python已经到了3.12）支持Keras2.0使用者逐渐向Keras3.0转化，本文提供基于PyTorch的Keras3.0的安装方法。

—win10中适配tensorflow GPU可以参考https://blog.csdn.net/weixin_58744372/article/details/135369654?spm=1001.2014.3001.5502但是只能使用keras2.0

提示：以下是本篇文章正文内容，下面案例可供参考

一、安装CUDA11.8及以上版本用于支持PyTorch

使用Keras 3.0需要调用GPU算力，CPU版本需要占用全部CPU算力，因此使用GPU版本，使用NVIDIA GPU CUDA11.8及以上，版本根据电脑显卡支持版本且需要考虑PyTorch支持的版本问题。
官方下载：https://developer.nvidia.com/cuda-toolkit-archive
1.查看PyTorch支持的CUDA版本：https://pytorch.org/
可以看到这里PyTorch支持的CUDA版本
这里可以看到PyTorch支持CUDA11.8和CUDA12.1版本（本人电脑下的是11.8）
2.查看电脑支持CUDA版本
使用cmd命令

nvidia-smi

这里的右上角对于未安装CUDA的用户显示的是显卡最高支持版本，对于已安装用户是安装版本。

综上PyTorch的版本需求和电脑显卡支持版本，本人安装CUDA11.8

这里CUDA11.8、CUDA12.1均可
在这里插入图片描述
下面的操作就是全选同意，本人安装在C盘默认位置为CUDA11.8版本。
验证是否安装成功，在cmd命令中输入

nvcc -V

在这里插入图片描述

安装完毕后，打开高级系统设置，会在系统中自动生成系统变量。
在这里插入图片描述
在path中

以上变量11.8和12.1均会自动生成。

二、安装cuDNN

使用CUDA需要安装cuDNN
官方下载：https://developer.nvidia.com/rdp/cudnn-archive
这里需要注册账号，放心注册就好了
在这里插入图片描述根据自己安装的CUDA版本选择相应的cuDNN版本
选择适配电脑系统的版本，下载完成后，解压到文件夹中。
把cuDNN中的全部文件复制粘贴带CUDA的安装路径中，默认安装路径如下。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8

在这里插入图片描述替换其中的文件夹。
验证是否安装成功。
在cmd中，cd进入下列文件夹

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\extras\demo_suite

分别输入

.\bandwidthTest.exe
.\deviceQuery.exe

在这里插入图片描述

得到以上结果则证明安装成功。

三、安装anaconda

请参考
https://blog.csdn.net/wq_ocean_/article/details/103889237?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171936313916800188554332%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=171936313916800188554332&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2_alltop_positive~default-2-103889237-null-null.142^v100pc_search_result_base6&utm_term=%E5%AE%89%E8%A3%85anaconda&spm=1018.2226.3001.4187

四、安装PyTorch

查找/创建虚拟环境
查找电脑上已安装的虚拟环境，打开anaconda prompt输入下列命令。

conda info -e

可以看到本人电脑上安装了名为tensorflow的虚拟环境
如果没有虚拟环境则使用下列命令创建虚拟环境

conda create -n [环境名] python==[版本号]

激活虚拟环境

conda activate [环境名]

在这里插入图片描述
Tips：如果在激活过程中出现上图中需要先运行"conda init"before"conda activate",则先输入"conda init"命令。

安装PyTorch
注意一定是安装在虚拟环境中的，不要安装在全局，安装官方网址：https://pytorch.org/

根据前文，电脑配置和相应版本的CUDA，建议大家使用pip指令安装，激活虚拟环境后，复制粘贴框中的命令。可能下载速度有点慢，尽量不要选择国内镜像源。

注：此处虚拟环境名称为：tensorflow
验证是否安装成功，在python环境下验证下列代码

import torch
print(torch.version)
print(torch.version.cuda)
print(torch.cuda.is_available()) #输出为True，则安装成功

五、安装Keras

注意：Keras也是安装在虚拟环境中！
官方网址：https://keras.io/getting_started/
在这里插入图片描述

如图安装命令为

pip install --upgrade keras（安装命令在虚拟环境中执行）

在这里插入图片描述

验证命令为

import keras
print(keras.version)（验证命令在python环境中执行）

在这里插入图片描述

六、Keras配置PyTorch

Keras 的后端默认为 TensorFlow，因此需要把后端转换为PyTorch。
方法一：安装keras后会自动生成一个keras.json文件，用everything搜一下，使用vscode打开，
在这里插入图片描述
把其中的TensorFlow换成torch，本人用的就是这个方法。

方法二：使用python改变后端，代码如下。

import os
os.environ[‘KERAS_BACKEND’] = ‘torch’
import keras
#一定要在导入keras之前设置KERAS_BACKEND环境变量

七、Keras使用验证

import numpy as np
import torch
from torchvision import datasets, transforms
from matplotlib import pyplot as plt 
import torchvision
#训练集
train_loader = torch.utils.data.DataLoader(
    datasets.MNIST(root='./data', #root表示数据加载的相对目录
                   train=True, #train表示是否加载数据库的训练集，False时加载测试集
                   download=True,#download表示是否自动下载
                   transform=transforms.Compose([#transform表示对数据进行预处理的操作
                       transforms.ToTensor(),#图片转张量，同时归一化0-255 ---》 0-1
                       transforms.Normalize((0.1307,), (0.3081,))#标准化均值方差
                   ])),batch_size=64, shuffle=True)#batch_size表示该批次的数据量  shuffle表示是否洗牌
#测试集
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('./data', train=False, transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),batch_size=64, shuffle=True)

def imshow(img):
    img = img / 2 + 0.5     # 逆归一化 在深度学习中，通常在将图像输入模型之前会对其进行归一化操作，
    #使其像素值落在特定的范围内（例如[0, 1]或[-1, 1]）。逆归一化的目的是将其还原回原始的像素值范围。
    npimg = img.numpy()#显示图像时，通常需要将图像数据从 PyTorch 格式转换为 NumPy 格式。 
    plt.imshow(np.transpose(npimg, (1, 2, 0)))#使用np.transpose函数将第一个维度（通道维度）变为转置数组的第二个维度，第二个维度变为第三个维度，第三个维度变为第一个维度
    plt.show()

# 得到batch中的数据
dataiter = iter(train_loader)#iter 用于创建一个可迭代对象的迭代器。
#使用iter函数将train_loader转换为一个迭代器对象dataiter，从而可以逐个获取train_loader中的批次数据。
images, labels = dataiter.__next__()

# 展示图片
imshow(torchvision.utils.make_grid(images))