转载：Tensorflow、Keras下载安装

下面根据你的需要在上面教程的基础上进行修改

安装环境：

l 操作系统：win10

l 版本：3.8

l 显卡驱动版本：432.0

l -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、版本之间的匹配

l 激活环境≠安装

l 先安装-gpu，再安装keras

一、

它是一种基于数据流编程（ ）的符号数学系统，广泛用于各种机器学习（ ）算法的编程实现。它的前身是谷歌的神经网络算法库。

多层次结构，可部署在各种服务器、PC终端和网页上，支持GPU和TPU高性能数值计算。广泛应用于谷歌内部的产品开发和各个领域的科学研究。

由谷歌的人工智能团队 Brain（Brain）开发和维护，拥有Hub、Lite、Cloud等多个项目，以及各种应用编程接口（API）[2]。

自 2015 年 11 月 9 日起在 许可证 ( 2.0 open ) 下开源。

二、-gpu2.-gpu 下载

下载链接：

如图所示：

2.-gpu环境搭建2.2.1搭建-gpu环境

打开一个cmd窗口并输入：

-n -gpu=3.8

2.2.2 激活-gpu 环境

在 cmd 窗口中，键入：

-gpu

2.2.3 次下载

在 cmd 窗口中，键入：

pip -2.3.1-cp38-cp38-.whl

或（如果未下载离线包）

pip -i -gpu

2.2.4 测试gpu安装完成

在 cmd 窗口中，键入：

作为 tf

pat.v1.ion()

你好 = tf.(‘你好，!’)

sess = pat.v1.()

打印（sess.run（你好））

三、安装keras框架3.1 安装keras

在cmd中激活-gpu后，输入：

pip -i keras

3.2 测试keras安装完成

以下是 MNIST 手写数字数据集。如果可以整体运行，则说明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))