转载：Tensorflow、Keras下载安装

Tensorflow、Keras下载安装

转自：https://zhuanlan.zhihu.com/p/95065951

以下是根据自己需要在上面教程基础上改动的

安装环境：

l  操作系统：win10

l  python版本：3.8

l  NVIDIA显卡驱动版本：432.0

l  tensorflow-gpub版本：2.3.1

l  CUDA：10.1

l  cudnn：8.0.3

l  keras版本：2.4.3

注意：

l  CUDA、cudnn、Python、tensorflow版本之间的匹配

l  激活tensorflow环境 ≠ 安装tensorflow

l  先安装tensorflow-gpu，再安装keras

一、       Tensorflow

TensorFlow是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief。
Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究
。
TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类应用程序接口（Application Programming Interface, API） [2] 。

自2015年11月9日起，TensorFlow依据阿帕奇授权协议（Apache 2.0 open source
license）开放源代码 。

二、       Tensorflow-gpu

2.1   
Tensorflow-gpu下载

下载地址：https://pypi.org/project/tensorflow-gpu/#files

 如图：

 

 

 

2.2   
tensorflow-gpu环境搭建

2.2.1 搭建tensorflow-gpu环境

打开cmd窗口，键入：

conda
create -n tensorflow-gpu python=3.8

2.2.2 激活tensorflow-gpu环境

在cmd窗口，键入：

activate
tensorflow-gpu

2.2.3 下载tensorflow

在cmd窗口，键入：

pip install tensorflow_gpu-2.3.1-cp38-cp38-win_amd64.whl

或(如果没有下载离线包)

 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu

 

2.2.4 测试tensorflow-gpu安装完成

在cmd窗口，键入：

import tensorflow as tf

tf.compat.v1.disable_eager_execution()

hello = tf.constant('hello,TensorFlow!')
sess = tf.compat.v1.Session()
print(sess.run(hello))

三、      
安装keras框架

3.1   
安装keras

在cmd里激活tensorflow-gpu后，键入：

pip install -i
https://pypi.tuna.tsinghua.edu.cn/simple keras

 

 

 

3.2   
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。

 1 from keras.datasets import mnist
 2 from keras.utils import to_categorical
 3 
 4 train_X, train_y = mnist.load_data()[0]
 5 train_X = train_X.reshape(-1, 28, 28, 1)
 6 train_X = train_X.astype('float32')
 7 train_X /= 255
 8 train_y = to_categorical(train_y, 10)
 9 
10 from keras.models import Sequential
11 from keras.layers import Conv2D, MaxPool2D, Flatten, Dropout, Dense
12 from keras.losses import categorical_crossentropy
13 from keras.optimizers import Adadelta
14 
15 model = Sequential()
16 model.add(Conv2D(32, (5,5), activation='relu', input_shape=[28, 28, 1]))
17 model.add(Conv2D(64, (5,5), activation='relu'))
18 model.add(MaxPool2D(pool_size=(2,2)))
19 model.add(Flatten())
20 model.add(Dropout(0.5))
21 model.add(Dense(128, activation='relu'))
22 model.add(Dropout(0.5))
23 model.add(Dense(10, activation='softmax'))
24 
25 model.compile(loss=categorical_crossentropy,
26              optimizer=Adadelta(),
27              metrics=['accuracy'])
28 
29 batch_size = 100
30 epochs = 8
31 model.fit(train_X, train_y,
32          batch_size=batch_size,
33          epochs=epochs)
34 
35 test_X, test_y = mnist.load_data()[1]
36 test_X = test_X.reshape(-1, 28, 28, 1)
37 test_X = test_X.astype('float32')
38 test_X /= 255
39 test_y = to_categorical(test_y, 10)
40 loss, accuracy = model.evaluate(test_X, test_y, verbose=1)
41 print('loss:%.4f accuracy:%.4f' %(loss, accuracy))