keras安装与配置指南,安装Keras

　　声明

　　本教程不得用于任何形式的商业用途。如需转载，请联系作者SCP-173。如发现未经许可转载，将保留追究其法律责任的权利。

　　这里需要说明的是，我不推荐Windows环境下的深度学习研究。一方面，Windows对应的框架依赖太多，社区设置不全；另一方面，Linux对显卡支持、内存释放、存储空间调整等硬件功能的支持更好。如果你是Linux环境的新手，而大多数开发环境在Windows下操作更方便，希望这篇文章对你有所帮助。

　　关于计算机的硬件配置说明

　　推荐配置

　　如果你是在校大学生或高级研究员，实验室或个人资金充裕，建议你采用以下配置：主板：X99型号或Z170型号。

　　CPU: i7-5830K或i7-6700K及以上高级机型

　　内存：品牌内存，总容量32G以上，根据主板分为4路或8路。

　　SSD:品牌固态硬盘，容量256G以上。

　　显卡：英伟达GTX 1080，英伟达GTX泰坦，英伟达GTX 1070，英伟达GTX 1060(先推荐顺序，推荐同一款显卡。可以根据主板插槽数量购买多块显卡。比如X99主板最多可以用4块显卡)

　　电源：由主机容量决定。一般显卡总容量可以加200W W。

　　最低配置

　　如果只是用来自学或者代码调试，或者由于条件限制，只使用自己现有的设备进行开发，那么你的电脑至少要满足以下要求：CPU:Intel的第三代i5和i7系列产品或者同等性能的AMD产品。

　　内存：总容量超过4G。

　　说明目前大部分CPU都支持多核多线程，所以如果采用CPU加速，可以使用多线程运行。这一优势对于服务器CPU集群和多核并行CPU尤为关键。

　　说明一下，如果你的显卡不是英伟达的产品，或者英伟达GTX系列中型号的第一位数低于4或者英伟达GT系列，不建议你使用这类显卡进行加速计算，比如英伟达GT 910，英伟达GTX 450等。

　　如果你的显卡是笔记本中的GTX移动显卡(型号后面有M标志)，请谨慎使用显卡加速，因为移动GPU容易过热烧毁。

　　如果你的显卡显示的是HD5000，ATI 5650之类的显卡类型，那就只能用CPU加速了。

　　如果你的显卡是帕斯卡架构(英伟达GTX 1080，英伟达GTX 1070等。)，后续配置只能选择Visual Studio 2015和CUDA 8.0。

　　基础开发环境建设

　　1.Microsoft Windows版本

　　关于Windows的版本选择，我强烈建议对于一些新的高性能机，使用Windows 10作为基础环境，对于一些老的笔记本或者低性能机，使用Windows 7。本文中的环境将描述为Windows 10作为开发环境。对于Windows 10的发布版本选择，笔者建议使用Windows _ 10 _ Enterprise _ 2016 _ LTSB _ x64作为基础环境。

　　在这里我把它推荐给MSDN，我会告诉你下载它。我还要感谢国内杰出的作家龙雪沃尔夫的前辈们对我的贡献。

　　直接贴热链接，复制粘贴下载：

　　ed2k:// file cn _ windows _ 10 _ enterprise _ 2016 _ ltsb _ x64 _ DVD _ 9060409 . iso 3821895680 ff 17 ff 2d 5919 E3 a 560151 BBC 11 c 399d 1 /

　　2.编译环境Microsoft Visual Studio 2010-2015

　　(不需要安装CPU版本)

　　CUDA编译器为微软Visual Studio，版本为2010-2015，其中cuda7.5仅支持2010、2012和2013，cuda8.0仅支持2015。本文采用Visual Studio 2015 Update 3。还直接贴雷热链：

　　ed2k:// file cn _ visual _ studio _ professional _ 2015 _ with _ update _ 3 _ x86 _ x64 _ DVD _ 8923256 . iso 7745202176 DD 35 d3d 169d 553224 be 5 FB 44 e 074 ed5 e /

　　3.Python环境

　　Python环境建设推荐使用科学计算集成python发行版Anaconda。Anaconda是众多Python发行版中非常适合科学计算的版本，其中集成了很多优秀的科学计算Python库。对于从事科学计算和深度学习的人，建议安装2.7版的Anaconda3.5，如果喜欢用3.5版的Anaconda，问题不大。很多早期的python3.5不兼容问题现在已经解决了，所以本文默认使用Anconda2.7。

　　4.GCC编译环境

　　Gcc/g是Windows环境和Linux环境非常大的区别。无论是cpu版本还是gpu版本都需要安装GCC编译环境。本文提供两种解决方案：MinGW极简GNU for Windows，安装Anaconda后，在CMD或Powershell中输入：

　　Cond安装mingw libpythonmsy2有些读者已经有Python环境，再安装Anaconda会造成很大的不便，所以本文推荐安装MSYS2。网站上有详细的安装说明，这里就不赘述了。

　　5.库达

　　(只使用CPU版本不安装)CUDA Toolkit是NVIDIA为GPU编程提供的基础工具包，也是驱动显卡计算的核心技术工具。直接安装CUDA8.0：https://developer.nvidia.com/cuda-downloads

　　下载后，按照步骤安装。不建议新手修改安装目录。如上，环境不需要配置，安装程序会自动配置。

　　6.(可选)加速库CuDNN

　　从官网下载需要账号注册申请，两三天就批下来了。一般也可以通过网络搜索找到最新版本。Windows目前是cud nn-7.0-win-x64-v 5.0-prod . zip。下载的文件夹命名为cuda，包含zjdjy、include和lib。将三个文件夹复制到安装CUDA的地方，覆盖对应的文件夹。默认文件夹为：C: Program Files NVIDIA GPU Computing Toolkit CUDA。

　　Keras框架建筑

　　固定

　　Keras深度学习框架是基于Theano或者Tensorflow框架安装的，所以首先要做好底层框架的搭建准备。但是Tensorflow目前不支持Windows版本，所以本文选择Theano进行安装，可以在CMD命令行或者Powershell中输入：

　　pip安装the ano-U-prep pip安装keras -U - pre

　　或者想加快版本的开发速度，就用(前提是git，conda安装git)。

　　pip install-upgrade-no-deps git git://github . com/the ano/the ano . git

　　环境配置

　　右键单击我的电脑-属性-高级-环境变量-系统变量中的路径，然后添加

　　c: anaconda 2；c: anaconda 2 Scripts；c: anaconda 2 MinGW zjdjy；c: anaconda 2 MinGW x86 _ 64-w64-mingw 32 lib；

　　注意，本文将Anaconda安装到c盘的根目录，并根据您自己的情况进行修改；另外，之前安装gcc/g的时候，是用MSYS2安装的。修改并重新定位MinGW文件夹，并进行相应的修改。

　　然后创建一个新的变量PYTHONPATH，并添加

　　c: anaconda 2 Lib site-packages the ano；修改默认后端

　　打开C:Users current user name 。keras，并修改文件夹中的keras.json文件，如下所示：

　　{image _ dim _ ordering: th ， epsilon: 1e-07， floatx: float32 ， backend: Theano} Theano加速是在用户目录下配置的，也就是C:Users current user name ，还有一个新的。兽人诞生了。这个路径可以通过修改Theano的configparser.py来更改，Theano安装在AnacondaLibsite-packages中。theanorc.txt:

　　【全局】openmp=false device=GPU optimizer _ including=cudnn #如果不使用cud nn，则不需要添加。只要是刚刚配置到位的，Floatx=float 32 allow _ Input _ Downcast=true[lib]cn mem=0.8 # the ano黑科技，初始化内存比[blas]ldflags=#加速库[gcc]cxx flags=-IC: anaconda 2 Mingw[nvcc]fast math=true-flags=-LC: anaconda 2 libs #更改到您安装的目录-compiler _ zdjydir=d: Microsoft Visual Studio 12.0 VC zjdjjy #

　　如果CPU的加速版本安装在中，则then orc . txt文件配置如下：

　　[global]openmp=True device=cpufloatX=float 32 allow _ input _ down cast=True[gcc]cxx flags=-IC: anaconda 2 MinGW

　　之后，您可以验证keras是否成功安装。在命令行输入Python命令进入Python，成为命令行环境：

　　使用Theano(Tensorflow)后端导入kerasUsing。

　　如果没有错误，那么Keras已经成功安装。

　　加速试验

　　环境测试

　　在命令行中进入Python环境，并输入：

　　进口茶叶

　　会出现一系列信息，包括显卡型号，浮点数类型，是否采用CNmem和cuDNN(如果使用)等。所以恭喜你，环境已经完全配置成功了。如果你使用的是Windows系统的阅读器，你的电脑上可能会出现debug这个词。这是第一次用，编译生成运行时很正常。

　　加速库测试

　　在Python环境中输入：

　　导入numpy id(numpy . dot)==id(numpy . core . multi array . dot)

　　如果结果为假，说明你的电脑除了gpu加速之外，还进行了数学库中的blas加速。按照教程顺序配置的Linux用户肯定会得到错误的结果。如果Windows用户真的这么做也没关系，因为MKL加速库已经内置在Anaconda中。如果想用Openblas，可以按照本文末尾的联系方式联系我。

　　转速试验

　　创建一个新文件test.py，包含以下内容：

　　从ano导入功能，配置，共享，沙盒导入ano。张量as t导入numpy导入时间vlen=10 * 30 * 768 # 10x # coresx #每核线程数#这里可以加一两个零。多测试，记得去掉汉字ITERS=1000 RNG=numpy . random . random state(22)x=shared(numpy . as array(RNG . rand(vlen)，config.floatx)) f=function ([])，T . exp(x))print(f . maker . fgraph . toposort())t0=time . time()for I in xrange(ITERS):r=f()t1=time . time()print(循环%d次耗时%f秒 % (iters，t1 - t0))print

　　在GTX 970显卡下，输出结果大概是0.21秒，100次计算下是19秒，可以对比。理论上与3.3GHz主频的CPU相比，加速比应该是75倍，但是不同的固态硬盘和内存限制了io接口的传输速度。

　　在Keras中测试mnist数据集

　　下载Keras开发工具包

　　git克隆https://github.com/fchollet/keras.gitcd克拉斯/examples/python mnist_mlp.py

　　程序执行无误，至此，keras安装完成。

　　Anaconda3中配置遇到异常的解决方案

　　目前发现用Anaconda3安装theano可能会有冲突：

　　AttributeError:模块“configparser”没有属性“SafeConfigParser”

　　只能暂时用以下方法处理：

　　将anaconda 3 lib site-packages the ano config parser . py的文件名修改为例如config_parser.py，在pycharm或其他IDE中随意运行一个cnn脚本，对于遇到的每一个提示错误，手动将引用的文件名修改为theano.config_parser。在更正了对该文件的所有引用之后，应该没有问题了。

　　声明和联系信息

　　由于作者水平和研究方向的限制，不可能对所有模块都非常精通，所以文档中难免会出现各种错误、遗漏和不足。如果您在使用过程中有任何意见、建议和问题，请发送电子邮件至scp173.cool@gmail.com，与中文文档的作者取得联系。

　　本教程不得用于任何形式的商业用途。如需转载，请联系作者或中文文档作者。如发现未经许可转载，将保留追究其法律责任的权利。

　　作者：SCP-173 e-邮箱：scp173.cool@gmail.com如需及时指导和帮助，可添加微信：SCP173-cool，酌情打赏。