SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
R语言快速入门视频教程
Python智联招聘数据分析
LCA潜在类别分析和Mplus应用
Amos结构方程模型数据分析入门教程
倒U关系回归分析中介效应和调节效应分析SPSS视频教程

keras教程-02-tensorflow和keras安装

在B站@mlln-cn, 我就能回答你的问题奥!

文章目录
  1. 1. 安装TensorFlow后端的Keras
  2. 2. 使用TensorFlow还是Theano作为Keras后端
  3. 3. 安装python虚拟环境
    1. 3.1. 创建虚拟环境
    2. 3.2. 然后激活虚拟环境:
  4. 4. 安装TensorFlow和Keras
    1. 4.1. 安装tensorflow
    2. 4.2. 安装Keras
    3. 4.3. 验证是否正确配置了keras.json文件
    4. 4.4. 关于image_data_format的快速说明
    5. 4.5. 找不到您的keras.json文件?
    6. 4.6. 测试 Keras + TensorFlow
  5. 5. Reference

声明: 本文由DataScience编辑发表, 转载请注明本文链接mlln.cn, 并在文后留言转载.

本文代码运行环境:

  • windows10
  • python3.6
  • jupyter notebook
  • tensorflow 1.x
  • keras 2.x

安装TensorFlow后端的Keras

本文的第一部分简要讨论了Tensorflow后端以及为什么我们应该(或不应该)关心我们使用的是哪一个。我提供了详细的说明,您可以使用TensorFlow后端的Keras,以便在您自己的系统上进行机器学习。

使用TensorFlow还是Theano作为Keras后端

Keras只是更复杂的数值计算引擎(如TensorFlow和Theano)的包装。Keras封装了深度神经网络的大部分复杂性,为我们提供了一个非常简单,漂亮且易于使用的接口,可以快速构建/测试和部署深度学习模型。说到Keras,后端计算引擎有两种选择–TensorFlow或Theano。 Theano比TensorFlow更老,最初是为Keras选择后端的唯一选择。

那么为什么你改用TensorFlow而不是Theano(不再维护)?

简短的答案是TensorFlow非常灵活,允许您将网络计算部署到多个CPU,GPU,服务器甚至移动系统,而无需更改一行代码。这使得TensorFlow成为以体系结构无关的方式训练分布式深度学习网络的绝佳选择,这是Theano目前没有提供的。

坦白说,我在TensorFlow发布之前就开始使用Keras了 - 当时Theano是唯一可能的后端选择。

我没有考虑过我以后应该用Theano或TensorFlow。 Theano工作得很好,我需要它,所以为什么要费心转到TensorFlow呢?

当我在Twitter上进行最近的民意调查时,询问我的追随者在使用Keras时他们更喜欢的后端, 我才开始注意到:

67%的受访者表示他们使用TensorFlow作为他们的后端。老实说,我很惊讶。作为长期的Keras用户,我怎么可能成为少数?

这个67%的受访者可能会受到影响,因为TensorFlow现在是安装Keras时的默认后端……或者可能是因为我的许多粉丝都发现TensorFlow是一个更好,更有效的后端(并使用更多TensorFlow特定功能)。无论确切的原因是什么,有一点你无法提出异议:TensorFlow将继续占据统治地位。

如果你需要进一步的证据,你需要做的就是看看FrançoisChollet(Keras的创建者和维护者)的深度学习GitHub活跃度分析:(这个网站需要特殊工具才能访问, 所以我在下面截图了:)

正如我们所看到的,TensorFlow排在第一位(#1), 而Theano排名第9位。虽然Keras让我们切换后端变得简单(我们需要做的就是安装我们各自的后端并编辑一个简单的JSON配置文件),但我们仍然需要注意趋势告诉我们的是:TensorFlow将继续是Keras首选后端, 而且Theano已经不再维护。


安装python虚拟环境


你可以看我之前的一篇博客介绍如何安装python虚拟环境, 使用虚拟环境有很多好处, 尤其是当你需要在多个python环境切换的时候。 例如,如果你想使用Keras + Theano,你需要最新版本的Theano(即使用最新的GitHub仓库,它并不总是在PyPI上发布的版本)。但是,如果您想尝试像scikit-theano这样的库,则需要与Keras不兼容的以前版本的Theano。这时候, 如果你在不同的虚拟环境中安装不同的Theano就没有问题了。

本篇教程使用python3.6, 所以我们直接使用内置的venv模块创建虚拟环境。

创建虚拟环境

1
python -m venv .env

注: .env是虚拟环境所在文件夹

然后激活虚拟环境:

windows 下:

1
.env/scripts/activate

linux 下:

1
source .env/bin/activate

安装TensorFlow和Keras

使用pip安装这两个库, 确保你已经激活虚拟环境。

安装tensorflow

1
pip install tensorflow

测试tensorflow是否正常安装:

1
2
$ python
>>> import tensorflow

安装Keras

1
pip install keras

验证是否正确配置了keras.json文件

在我们走得太远之前,我们应该检查keras.json配置文件的内容。你可以在〜/ .keras / keras.json中找到这个文件, windows用户可以在你的用户文件夹下找到.keras / keras.json。使用您喜欢的文本编辑器打开它,并看一眼内容。默认值应如下所示:

1
2
3
4
5
6
{
"floatx": "float32",
"epsilon": 1e-07,
"backend": "tensorflow",
"image_data_format": "channels_last"
}

具体来说,您需要确保将image_data_format设置为“channels_last”(表示使用TensorFlow图像维度排序而不是Theano的“channels_first”)。您还需要确保后端正确设置为tensorflow(而不是theano)。同样,默认的Keras配置应该满足这两个要求,但仔细检查并不会有什么坏处。

关于image_data_format的快速说明

您可能想知道image_data_format到底是什么。使用TensorFlow,图像表示为具有形状(高度,宽度,深度)的NumPy数组,其中深度是图像中的通道数。

但是,如果您使用Theano,则假定图像表示为(深度,高度,宽度)。当使用Keras时(以及很多if statments寻找这些特定配置),这种细微差别是令人头痛的根源。如果您在使用Keras(或与给定张量的形状相关的错误消息)时得到奇怪的结果,您应该:

  • 检查你的后端
  • 确保您的图像image_data_format与后端匹配

找不到您的keras.json文件?

在大多数系统上,在打开Python shell并直接导入keras包本身之前,不会创建keras.json文件(和相关的子目录)。

如果您发现系统上不存在〜/ .keras / keras.json文件,只需打开一个shell,(可选)访问您的Python虚拟环境(如果您使用的是虚拟环境),然后导入Keras:

1
import keras

从那里,您应该看到您的keras.json文件现在存在于您的本地磁盘上。如果您在导入keras时看到任何错误,请返回到本节顶部,并确保已正确更新keras.json配置文件。

测试 Keras + TensorFlow

为了测试你正确安装了 Keras + TensorFlow, 您只需要import keras, 然后会看到提示:Using TensorFlow backend.

Reference

注意
本文由jupyter notebook转换而来, 您可以在这里下载notebook
统计咨询请加QQ 2726725926, 微信 mllncn, SPSS统计咨询是收费的
微博上@mlln-cn可以向我免费题问
请记住我的网址: mlln.cn 或者 jupyter.cn

赞助

持续创造有价值的内容, 我需要你的帮助