tensorflow keras 版本_深度学习框架keras安装

keras为tensorflow提供了封装更加高级的API，如果读者不想了解tensorflow的细节，那么keras将会是一个可以“偷懒”的选择。

keras官方github链接：

https://github.com/keras-team/keras​github.com

安装环境：

• 操作系统：win10 教育版
• python版本：3.6.2
• tensorflow-gpub版本：1.6.0
• keras版本：2.1.6

值得注意：

• 建议使用CUDA 9.1版本
• 建议使用python 3.6版本
• 注意CUDA、cudnn、Python、tensorflow版本之间的匹配
• 激活tensorflow环境 ≠ 安装tensorflow
• 先安装tensorflow-gpu，再安装keras

1.安装tensorflow-gpu框架

1.1 下载CUDA工具包。

CUDA Toolkit Archive​developer.nvidia.com

1.2 下载cudnn。将cudnn的解压下的三个文件bin , include , lib 对CUDA安装目录下的同名文件进行替换

https://developer.nvidia.com/rdp/cudnn-download#a-collapse705-91​developer.nvidia.com

1.3 搭建tensorflow环境 。以win+R打开cmd窗口，键入：

conda create -n tensorflow-gpu python=3.6 

1.4 激活tensorflow-gpu环境。在cmd窗口，键入：

activate tensorflow-gpu

1.5 安装tensorflow。方法1（不推荐），键入：

pip install --ignore-installed --upgrade tensorflow

方法2：先安装好.whl文件，因为目前的tensorflow不支持高版本的CUDA。笔者提供一个适用于CUDA9.1的.whl文件，提取码：n78t

https://pan.baidu.com/s/1dXhgsbzrcWKMdH5q_RPTfQ​pan.baidu.com

将其复制到C:WindowsSystem32以后，在cmd窗口，键入：

pip install tensorflow_gpu-1.6.0-cp36-cp36m-win_amd64.whl

1.6 测试tensorflow-gpu安装完成。在cmd窗口，键入：

import tensorflow as tf
hello = tf.constant('hello,TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

2.安装keras框架

2.1安装keras。笔者建议，在cmd里激活tensorflow-gpu，键入：

pip install keras

2.2测试keras安装完成。以下是MNIST手写数字数据集，如果能整成运行，说明keras安装完成。

from keras.datasets import mnist
from keras.utils import to_categorical

train_X, train_y = mnist.load_data()[0]
train_X = train_X.reshape(-1, 28, 28, 1)
train_X = train_X.astype('float32')
train_X /= 255
train_y = to_categorical(train_y, 10)

from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Flatten, Dropout, Dense
from keras.losses import categorical_crossentropy
from keras.optimizers import Adadelta

model = Sequential()
model.add(Conv2D(32, (5,5), activation='relu', input_shape=[28, 28, 1]))
model.add(Conv2D(64, (5,5), activation='relu'))
model.add(MaxPool2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dropout(0.5))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

model.compile(loss=categorical_crossentropy,
             optimizer=Adadelta(),
             metrics=['accuracy'])

batch_size = 100
epochs = 8
model.fit(train_X, train_y,
         batch_size=batch_size,
         epochs=epochs)

test_X, test_y = mnist.load_data()[1]
test_X = test_X.reshape(-1, 28, 28, 1)
test_X = test_X.astype('float32')
test_X /= 255
test_y = to_categorical(test_y, 10)
loss, accuracy = model.evaluate(test_X, test_y, verbose=1)
print('loss:%.4f accuracy:%.4f' %(loss, accuracy))

运行效果