深度学习框架Keras的安装
原文链接:https://blog.csdn.net/qingzhuochenfu/article/details/51187603
本人已经将最新博客更新转移至个人网站了,欢迎来访~~
SCP-173’s BLOG
深度学习框架Keras的安装
Keras是Python语言中基于原始深度学习框架Tensorflow或Theano的封装框架。那么如果准备使用Keras首先必须准备安装Tensorflow或Theano
Keras中文文档地址
0. CPU运行版本的安装
如果需要直接安装(即使用CPU实现程序运算),仅仅需要在安装好的Python环境下,在终端或者或命令行下,输入:
pip install theano;
#pip install tensorflow;
pip install keras
- 1
- 2
- 3
即可完成keras的安装
- 1
之后可以验证keras是否安装成功,在命令行中输入Python命令进入Python变成命令行环境:
>>>import keras
Using Theano(Tensorflow) backend.
>>>
- 1
- 2
- 3
那么Keras就已经成功安装了
1. Windows环境下GPU运行版本的安装
Windows本身不具备非常良好的开发环境,所以我们需要准备如下几个要素来驱动GPU运行Keras:
基础工具 Microsoft Visual Studio 2010 - 2013
(2015版本仅仅支持CUDA8.0,不建议安装)
这里推荐到MSDN我告诉你下载各个版本的,在关闭360等杀毒软件后,进行安装,软件将自动配置环境,不需要更多设置。Python环境 - 推荐Anaconda
Anaconda是Python众多发行版中非常适用于科学计算的版本,里面已经集成了很多优秀的科学计算Python库。
对于搞科学计算与深度学习的朋友们,建议安装Anconda2.7版本,如果需要做文本处理,建议3.5
下载地址: Anaconda
同样关闭360等杀毒软件的屏蔽软件,安装时同意默认Anaconda作为Anaconda作为默认python路径,那么环境变量不需要再次配置了。关键的gcc/g++编译器
gcc/g++是Windows环境与Linux环境非常大的一个差别点。
然而Keras采用GPU进行编译,gcc/g++是必不可少的,这里提供两种解决方案:Mingw
Anaconda官方库中集成了软件包Mingw,里面包含了gcc/g++等编译工具。
打开命令行直接输入:
conda install mingw libpython
- 1
- MSYS2
一部分读者自己本身已经具有了Python环境,再安装Anaconda会造成很大的不便,那么本文推荐安装MSYS2,网站上有详细的如何安装的说明,本文不再赘述。
在安装好后确认安装目录中存在mingw文件夹及文件夹中的各类文件。
核心工具 CUDA Toolkit
CUDA Toolkit是NVIDIA公司面向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。
该工具目前仅仅面向NVIDIA公司所生产的各类显卡,不支持AMD公司或英特尔公司的显卡产品,如果没有NVIDIA公司的显卡,那么只能使用基于CPU版本的Keras深度学习框架。
目前NVIDIA显卡中支持CUDA包含GeForce\TESLA\QUADRO三个系列,市面上常见的系列显卡GTX、GT、M开头的都支持CUDA,包括笔记本类显卡。
在近期上市的GeForce GTX 1080、GeForce GTX 1070仅仅只能使用CUDA Toolkit 8.0,建议采用7.5版本,按照自己的系统进行选择性的下载。
在下载之后,按照步骤安装,不建议新手修改安装目录,同上,环境不需要配置,安装程序会自动配置好。底层框架Theano/Tensorflow也Keras
这里不加赘述。pip install theano; #pip install tensorflow; pip install keras
- 1
- 2
- 3
或者想要加速开发版本,用(前提是你有git:conda install git)
pip install --upgrade --no-deps git+git://github.com/Theano/Theano.git
- 1
- (可选)加速库CuDNN
从官网下载需要注册账号申请,两三天批准。网盘搜索一般也能找到最新版。
Windows目前就是cudnn-7.0-win-x64-v5.0-prod.zip。
下载解压出来是名为cuda的文件夹,里面有bin、include、lib,将三个文件夹复制到安装CUDA的地方覆盖对应文件夹,默认文件夹在:
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA
- 1
重中之重:环境配置
在我的电脑上右键->属性->高级->环境变量->系统变量中的path,添加
C:\Anaconda2;C:\Anaconda2\Scripts;C:\Anaconda2\MinGW \bin;C:\Anaconda2\MinGW\x86_64-w64-mingw32\lib;***注意*** 本文将Anaconda安装至C盘根目录,根据自己的情况进行修改;另外在之前安装gcc/g++时采用MSYS2方式安装的,修改并重新定位MinGW文件夹,并做相应修改。
- 1
- 2
- 3
- 4
之后并新建变量PYTHONPATH,并添加
C:\Anaconda2\Lib\site-packages\theano;
- 1
- 2
在用户目录,也就是C:\Users\当前用户名\,新建.theanorc.txt。 这个路径可以通过修改Theano的configparser.py来改变。Theano装在Anaconda\Lib\site-packages里 .theanorc.txt的内容:
[global] openmp=False device = gpu optimizer_including=cudnn #不用cudnn的话就不要这句,实际上不用加,只要刚刚配置到位就行 floatX = float32 allow_input_downcast=True [lib] cnmem = 0.8 [blas] ldflags= [gcc] cxxflags=-ID:\Anaconda2\MinGW [nvcc] fastmath = True --flags=-LD:\Anaconda2\libs #改成自己装的目录 --compiler_bindir=D:\Microsoft Visual Studio 12.0\VC\bin #改成自己装的目录 #最后记得把汉字全删了
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
至此安装完成,转入本文结尾《GPU加速测试》部分,验证安装效果。
Keras中文文档地址
2. Linux-Ubuntu环境下GPU运行版本的安装
进入Linux系统安装,相对来说容易多了。
对于Ubuntu发行版,本文建议安装Ubuntu 14.04,部分使用帕斯卡系列显卡和CUDA Toolkit8.0的读者,可以使用最新的Ubuntu 16.04发行版。其他发行版中,尤其使用了Ubuntu 15.10的读者,在使用CUDA时会出现,gcc版本过高无法编译的情况,解决办法这里不再详细赘述,可以联系笔者,联系方式在文末。
本文以Ubuntu 14.04作为例子。- 系统初始配置与依赖库的安装
在系统安装好之后,在 系统设置->软件更新 中更换aliyun镜像源,之后使用快捷键Ctrl+Alt+T打开终端,输入:
sudo apt update; sudo apt upgrade #静待系统更新完成
- 1
- 2
接着安装依赖库:
sudo apt install -y python-dev python-pip python-nose gcc g++ git gfortran; sudo apt install -y libopenblas-dev liblapack-dev libatlas-base-dev; sudo apt install -y python-numpy python-scipy #Anaconda用户不需要安装
- 1
- 2
- 3
部分读者依然喜爱使用Anaconda发行版,可以在该系统下安装,地址依然是官网,按照说明可以自动安装。
- CUDA Toolkit的安装
CUDA Toolkit选择合适的版本进行下载,强烈建议使用.deb格式的下载包。下载完后,终端cd至相应文件夹,输入:
sudo dpkg -i cuda-repo-ubuntu1404-7-5-local_7.5-18_amd64.deb; sudo apt-get update; sudo apt install cuda
- 1
- 2
- 3
安装完毕后,输入:
echo 'export PATH=/usr/local/cuda-7.5/bin:$PATH' >> ~/.bashrc; echo 'export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc; source ~/.bashrc
- 1
- 2
- 3
CUDA环境也配置完了
验证是否配置成功,可以尝试输入:nvcc -V
- 1
可以查看到输出nvcc编译器的版本
- Theano以及Keras的安装
pip install theano; #pip install tensorflow; pip install keras
- 1
- 2
- 3
- Theano的配置
在终端中输入:
sudo gedit ~/.theanorc
- 1
打开文件添加:
[global] floatX=float32 device=gpu [lib] cnmem = 0.8 [blas] ldflags = -lopenblas [nvcc] fastmath = True
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
保存退出,至此安装完成,转入本文结尾《GPU加速测试》部分,验证安装效果。
Keras中文文档地址
3. GPU加速测试
这一部分不分系统,只要配置正确都可以完成。
- 环境测试
在命令行中进入Python环境,输入:
import theano #采用tensorflow作为底层的不用使用
- 1
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(如果使用了的话)等等,那么恭喜你,环境彻底配置成功。
如果使用了Windows系统的读者,电脑上可能会出现,debug的字样,这是第一次使用,在编译生成运行库,属于正常现象。- 加速库测试
Python环境下输入:
import numpy id(numpy.dot) == id(numpy.core.multiarray.dot)
- 1
- 2
如果得到的结果为False,说明你的除了gpu加速还得到了数学库blas加速,按照教程顺序配置的Linux用户是一定可以得到False结果的;Windows用户得到True也没有关系,因为Anaconda中已经内置了MKL加速库,如果想使用OPENblas可以按照文末的联系方式联系我。
- 速度测试
新建一个文件test.py,内容为:
from theano import function, config, shared, sandbox import theano.tensor as T import numpy import timevlen = 10 * 30 * 768 # 10 x #cores x # threads per core #这里可以加一两个0,多测试一下,记得去掉汉字 iters = 1000rng = numpy.random.RandomState(22) x = shared(numpy.asarray(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("Looping %d times took %f seconds" % (iters, t1 - t0)) print("Result is %s" % (r,)) if numpy.any([isinstance(x.op, T.Elemwise) for x in f.maker.fgraph.toposort()]):print('Used the cpu') else:print('Used the gpu')
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
在GTX 970显卡下,输出结果大概是0.21秒,在一百倍运算量下19秒,可以进行对比。
想比较速度的话,可以将刚刚配置中.theanorc/.theanorc.txt文件中的改成[global] device = cpu
- 1
- 2
理论上,相比较主频为3.3GHz的CPU,加速比应该是75倍,但不同的ssd和内存限制了IO接口传输速度。
- Keras中mnist数据集测试
下载Keras开发包
git clone https://github.com/fchollet/keras.git cd keras/examples/ python mnist_mlp.py
- 1
- 2
- 3
程序无错进行,至此,keras安装完成。
Keras中文文档地址
声明与联系方式
由于作者水平和研究方向所限,无法对所有模块都非常精通,因此文档中不可避免的会出现各种错误、疏漏和不足之处。如果您在使用过程中有任何意见、建议和疑问,欢迎发送邮件到moyan_work@foxmail.com与中文文档作者取得联系.
本安装教程文档的全部版权归于Keras中文文档作者moyan所有。
本教程不得用于任何形式的商业用途,如果需要转载请与作者或中文文档作者联系,如果发现未经允许复制转载,将保留追求其法律责任的权利。
作者:SCP-173
E-mail :scp173.cool@gmail.com
如果您需要及时得到指导帮助,可以加微信:SCP-173,酌情打赏即可
深度学习框架Keras的安装相关推荐
- DL框架之Keras:深度学习框架Keras框架的简介、安装(Python库)、相关概念、Keras模型使用、使用方法之详细攻略
DL框架之Keras:深度学习框架Keras框架的简介.安装(Python库).相关概念.Keras模型使用.使用方法之详细攻略 目录 Keras的简介 1.Keras的特点 2.Keras四大特性 ...
- 简易的深度学习框架Keras代码解析与应用
北京 | 深度学习与人工智能研修12月23-24日 再设经典课程 重温深度学习阅读全文> 正文约12690个字,22张图,预计阅读时间:32分钟. 总体来讲keras这个深度学习框架真的很&qu ...
- [PyTroch系列-1]:PyTroch深度学习框架的详细安装过程
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客 本文网址:[PyTroch系列-1]:PyTroch深度学习框架的详细安装过程_文火冰糖(王文兵)的博客-C ...
- yolo专属深度学习框架darknet的安装记录
darknet是yolo算法的作者Joseph Redmon使用c语言编写的一个开源卷积神经网络训练框架 如果项目中用到了yolo卷积神经网络模型,darknet框架是你的不二之选 darknet项目 ...
- Theano深度学习框架之Lasagne安装及入门
1.Lasagne简单介绍 lasagne意味千层饼,是基于theano之上主要用于建立和训练神经网络的深度学习库.Lasagne is a lightweight library to build ...
- 深度学习框架Keras介绍及实战
Keras 是一个用 Python 编写的高级神经网络 API,它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行.Keras 的开发重点是支持快速的实验.能够以最小的时延 ...
- TVM:深度学习框架编译器的安装踩坑集
目录 一.引言 二.流程 三.踩坑 四.备注 一.引言 4月底的时候,花了一天时间安装TVM这个东西.那时,上来就弄TVM 0.8的版本,但因为具体安装的流程不是很懂,所以出现了一些莫名其妙的问题.后 ...
- 深度学习入门笔记系列(一)——深度学习框架 tensorflow 的介绍与安装
本系列将分为 8 篇 .今天是第一篇 ,工欲善其事必先利其器 ,先简单讲讲当前的主流深度学习框架 TensorFlow 及其安装方法 . 我们知道 ,深度学习研究的热潮持续高涨 ,许多的开源深度学习框 ...
- Keras深度学习框架配置
北京 | 深度学习与人工智能研修 12月23-24日 再设经典课程 重温深度学习阅读全文> 正文共7349个字,49张图,预计阅读时间19分钟. 作者:周纵苇 微博:@MrGiovanni 邮箱 ...
最新文章
- java基础面试题:抽象类中是否可以有静态的main方法?
- C++开发要注意的规范?
- java:大数运算 高精度乘法
- 【数据结构与算法】之深入解析“四数之和”的求解思路与算法示例
- 用尽洪荒之力整理的Mysql数据库32条军规
- 高德地图开发 怎么去除城市信息
- linux php oauth安装,php – 无法在Linux上安装OAuth
- 【2016年第6期】支持植物学大数据整合与公众服务的iFlora云平台建设
- 思杰20140522
- RabbitMQ实现多系统间的分布式事务,保证数据一致性
- 股票和基金,哪个适合打工族?
- 【javascript】手写一个webpack plugin
- Atitit 视图状态ViewState)的原理与管理
- 架构之美第六章-建筑师的角色
- Madis模拟黏滞阻尼器
- WebSSH2和docker化
- 运维小知识---If you insist running as root, then set the environment variable RUN_AS_USER=root......
- 清华大学鲍橒计算机1999,鲍橒从“最强大脑”到“盲棋第一人”
- idea永久激活教程:smirk:
- 多台S7-200Smart之间无线通讯例程