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))
暂无评论内容