目录
人工智能神经网络学习离不开keras、tensorflow这几个包的支持。所以如何运用好keras、tensorflow是实现计算机深度学习的关键了。
一、基本概念
Keras是由纯python编写的基于theano/tensorflow的深度学习框架。
Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras：
a）简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
b）支持CNN和RNN，或二者的结合
c）无缝CPU和GPU切换
TensorFlow是一个深度学习库，由 Google 开源，可以对定义在 Tensor(张量)上的函数自动求导。
Tensor(张量)意味着 N 维数组，Flow(流)意味着基于数据流图的计算，TensorFlow即为张量从图的一端流动到另一端。
它的一大亮点是支持异构设备分布式计算，它能够在各个平台上自动运行模型，从电话、单个CPU / GPU到成百上千GPU卡组成的分布式系统。
支持CNN、RNN和LSTM算法，是目前在 Image，NLP 最流行的深度神经网络模型。
（by百度和其他网友，具体概念大家深入了解）
二、操作步骤详解
2.1实现规划：（建议版本是自己运行的版本）
1、安装pycharm、网上有教程（建议安装2020版）
2、安装Anaconda、网上有教程，基本上都是默认， 注意勾选增加python3.6的环境变量到系统里面。（ 建议安装Anaconda3，因为3的话使用的python3.6以上的版本，tensorflow是在pyhon3.0以上的版本跑的模块。如果有python2版本跑成功的操作，私信我。我也研究很久，没有跑成功过。）
3、安装依赖包，增加源的地址，加快下载速率。
4、python环境导入keras和tensorflow模块，进行测试。
5、目前测试成功环境包的版本：pycharm2020.1，Anaconda3-2019.10-Windows-x86_64,tensorflow-gpu=1.13.2、keras2.1.5、scipy1.2.1、numpy1.16.0、
matplotlib3.1.2、opencv_python4.1.2.30、tqdm4.60.0、Pillow8.2.0、h5py2.10.0
cuda10.0、cudnn7.4.1.5（这里有tensorflow版本对应cuda的参数表，网上看看对应参数表，而且要看自己显卡的gpu的算力，如果算不够，有可能编译出错了。）
镜像源的环境：
channels:
– https://mirrors.aliyun.com/pypi/simple/
– https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
– defaults
2.2详细操作步骤：
1、安装pycharmIDE编辑软件。
可以不用安装python的环境，因为要使用Anaconda中的python环境，推荐网友安装过程。PyCharm2021安装教程_学习H的博客-CSDN博客_pycharm2021安装教程
2、安装Anaconda
Anaconda3安装教程(详细)_honor-CSDN博客_安装anaconda3
基本上都是默认安装， 注意就是这里选择添加Anaconda的3.6版本。打钩后，Anaconda会自己安装好python3.6版本在系统里面。 建议安装在C盘，配置环境或者找生成文件时候可以找寻的文件。
3、安装配置工具、安装依赖包，增加源的地址，加快下载速率。
3.1、安装Visual Studio的开发工具
Visual Studio 2017不仅支持C#、C++、Python、Visual Basic、Node.js、HTML、JavaScript等各大编程语言，还能开发 iOS、Android 的移动平台应用，Visual Studio 2017 甚至还自带了iOS模拟器（之前为MAC独享的开发环境）
我这里直接用的是Visual Studio 2022最新版，然后将选配项里面pyhon开发配置勾选都打上，避免计算不行。（后面发现基本不是这个问题）
Visual Studio 2017下载地址和安装教程（图解版）_《好好先生》专栏-CSDN博客
3.2、Cudnn和CUDA的下载和安装（需要先安装Visual Studio）
Cuda其是由NVIDIA发明的并行计算平台以及编程模型，它可以显著的提高GPU的计算性能。
Cudann是NVIDIA的cuDNN是针对深度神经网络计算的一个GPU加速库，为标准例程提供了高度优化的实现，比如向前、向后卷积，池化，规范化和激活层。其是NVIDIA Deep Learning SDK的一部分。
推荐安装地址：深度学习环境配置1——windows下的tensorflow-gpu=1.13.2环境配置_Bubbliiiing的学习小课堂-CSDN博客_tensorflow-gpu1.13.2
注意一点：操作复制这一步时，如果有同名的文件夹，就将文件夹里面的配置文件复制过去覆盖，没有同名文件夹就直接复制过去了。
正常安装完Anaconda程序后，选择Anaconda Prompt进行命令行运行，Anaconda的操作命令行。直接网友搜索链接可以找寻到相关指令，师傅领进门修行在自身了。
Anaconda Prompt命令的截图：
安装依赖项包和环境变量。推荐使用本教程。老师非常详细地解释了这件事。
[En]
Install dependency packages and environment variables. This tutorial is recommended. The teacher explained it in great detail.
深度学习环境配置1——windows下的tensorflow-gpu=1.13.2环境配置_Bubbliiiing的学习小课堂-CSDN博客_tensorflow-gpu1.13.2 神经网络学习小记录42——windows下的tensorflow-gpu=1.13.2环境配置学习前言环境内容Anaconda安装下载Cudnn和CUDA配置tensorflow环境安装VSCODE学习前言好多人问环境怎么配置，还是出个教程吧。环境内容tensorflow-gpu：1.13.2keras：2.1.5numpy：1.17.4Anaconda安装取网上搜索Anacon…https://blog.csdn.net/weixin_44791964/article/details/104702142 ; 注意一点：如果报错错误FutureWarning: Passing (type, 1) or ‘1type’ as a synonym of type is deprecated；
这里需要降级numpy的版本，下列截图是我删除版本后的操作，可以正常导入tensorflow和keras模块了。那么在pycharm里面就可以调用Anaconda的数据包
三、代码运行
在pycharm里面增加Anaconda的环境变量。
输入代码，可以正常运行，神经网络模块可以正常运行，计算每个模型的时间。
[En]
Type in the code, can run normally, the neural network module can run normally, calculate the time of each model.
代码部分：
注意一点：我安装的keras的版本有点高，所以有些模块已经被弃用了。
from sklearn.cross_validation import train_test_split更换为:
from sklearn.model_selection import train_test_split
model.fit(train_data,labels_train,np_epoch=200,batch_size=40)更换为：model.fit(train_data,labels_train,epochs=200,batch_size=40)
挖坑环节：刚开始我想安装低版本sklearn，但是源里面没有版本，后面找到新版本指令进行调试。
运行代码：
#encoding=utf-8
import numpy as np
import pandas as pd
import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense,Activation
from keras.optimizers import SGD
###导入模型数据
def main():
from sklearn.datasets import load_iris
iris=load_iris()
print(iris["target"])
print("经过机器学习得到的数值：")
from sklearn.preprocessing import LabelBinarizer
print(LabelBinarizer().fit_transform(iris["target"]))
####数据进行神经网络学习测试
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import train_test_split
train_data,test_data,train_target,test_target=train_test_split(iris.data,iris.target,test_size=0.2,random_state=1)
labels_train=LabelBinarizer().fit_transform(train_target)
labels_test=LabelBinarizer().fit_transform(train_target)
model=Sequential(
[Dense(5,input_dim=4),
Activation("relu"),
Dense(3),
Activation("sigmoid"),
]
)
#model=Sequential()
#model.add(Dense(5,input=4))
sgd=SGD(lr=0.01,decay=1e-6,momentum=0.9,nesterov=True)
model.compile(optimizer=sgd,loss="categorical_crossentropy")
model.fit(train_data,labels_train,epochs=200,batch_size=40)
print(model.predict_classes(test_data))
if __name__=="__main__":
main()
IT学海无涯苦作舟，特别鸣谢CSDN-Bubbliiiing导师提供的架构支持，以及其他网友的帮助和提供支持。
Original: https://blog.csdn.net/yi247630676/article/details/123404817
Author: 业里村牛欢喜
Title: keras、tensorflow安装详解-神经网络第一个脚本
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/509216/
转载文章受原作者版权保护。转载请注明原作者出处！