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。

图片[1]-转载:Tensorflow、Keras下载安装-唐朝资源网

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:

图片[2]-转载:Tensorflow、Keras下载安装-唐朝资源网

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

图片[3]-转载:Tensorflow、Keras下载安装-唐朝资源网

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(),

图片[4]-转载:Tensorflow、Keras下载安装-唐朝资源网

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))

© 版权声明
THE END
喜欢就支持一下吧
点赞8 分享
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片