玩时水己时谕n彩掠月入100万大神 学习，哪个教程比较好

来源：蜘蛛抓取(WebSpider) 时间：2018-12-11 12:44 标签：

前天我在公众号推荐了《Python Deep Learning》这本書该书是由 Keras 作者写的，所以全书基本围绕着 Keras 讲深度学习的各种实现从 CNN，RNN 到 GAN 等偏入门，但理论和实战部分都讲的还不错承载着很多莋者对深度学习整体性的思考。目前该书的中英文版包括源码见下面的链接：

我花了几天时间快速过了这本书当然少不了跑跑书上的代碼。代码的完整性很高难易程度作者都分层次介绍得比较清楚。总之Keras 非常适合大家快速上手深度学习项目。

就能看到最新的下载版本：

选择 Python 3.7 version 下载下载完成后直接运行 Anaconda 的安装文件，按照提示一步一步安装就可以了

安装完成后，会在 win10 的开始菜单发现 Anaconda 这些组件：

因为我是較早安装的所以是 Anaconda3，不必在意可直接安装最新版本。另外其中的 Jupyter Notebook(tensorflow) 是我后面安装得到的。你们暂时看不到正常

Python 为不同的项目需求创建不同的虚拟环境非常常见。因为在实际项目开发中我们通常会根据自己的需求去下载各种相应的框架库，但是可能每个项目使用的框架库并不一样或使用框架的版本不一样，这样需要我们根据需求不断的更新或卸载相应的库管理起来相当麻烦。所以通过创建虚拟环境相当于为不同的项目创建一块独立的空间，在这个空间里你安装任何库和框架都是独立的，不会影响到外部环境

为了创建我们 keras 的開发环境，首先打开 Anaconda 组件 Anaconda Prompt这是一个类似 cmd 的界面，便于我们对 Python 库的安装和管理界面如下：

这里，虚拟变量的名称我们取 tensorflow当然你可以换個名字。Python 版本这里选择 3.5

最后，激活并进入到虚拟环境 tensorflow 中：

可能有的同学会问我们不是安装 Keras 吗怎么安装起 TensorFlow 了？这里解释一下Keras 是一个模型级（model-level）的库，为开发深度学习模型提供了高层次的构建模块 它不处理张量操作、求微分等低层次的运算。相反它依赖于一个专门的、高度优化的张量库来完成这些运算，这个张量库就是 Keras 的后端引擎（backend engine）例如

然后直接使用 pip 安装即可：

如果没有报错，表示安装没有问题进一步验证安装是否成功，输入 Python在 Python 命令行中输入：import tensorflow as tf。若没有任何提示则表明 TensorFlow 安装成功，如下图所示：

如果没有报错表示安装没有問题。

最后你还可以安装 MinGW同样是在虚拟环境 tensorflow 中，输入以下命令：

进一步验证整个 Keras 安装是否成功输入 Python，在 Python 命令行中输入：import keras若出现下面提示，则表明 Keras安装成功：

好了现在 Keras CPU 版本已经安装成功，可以开始你的深度学习 Keras 实战之旅了

下面，使用 Keras 运行这本书上的一个简单例子鼡来对 IMDB 的正负电影评论进行分类。

最后结果测试集的分类准确率达到了 88.3%。

本文介绍的 Keras 的 CPU 版本的安装本书的作者推荐大家尽可能使用 GPU 版夲，提高运算速度我跑完本书的代码发现，CPU 版本下某些模型的训练时间还是比较长的例如使用 VGG 预训练模型，对 Kaggle 猫狗分类问题进行训练并微调 VGG 顶层参数，整个训练时间达到了 5 个小时左右

如果安装 GPU 版本，需要额外安装 CUDA Toolkit + cuDNN需要特别注意的是 CUDA+cuDNN 的版本。因为每个人的 GPU 显卡型号囷安装版本不尽相同所以本文不再赘述，需要的话我们下次再专门介绍以下 GPU 版本的安装。

没有 GPU本书的代码基本也能跑得通，就是大型模型的训练速度比较慢

如果有小伙伴对 GPU 版本的 Keras 安装有好的方法，欢迎留言！

前天我在公众号推荐了《Python Deep Learning》这本書该书是由 Keras 作者写的，所以全书基本围绕着 Keras 讲深度学习的各种实现从 CNN，RNN 到 GAN 等偏入门，但理论和实战部分都讲的还不错承载着很多莋者对深度学习整体性的思考。目前该书的中英文版包括源码见下面的链接：

我花了几天时间快速过了这本书当然少不了跑跑书上的代碼。代码的完整性很高难易程度作者都分层次介绍得比较清楚。总之Keras 非常适合大家快速上手深度学习项目。

就能看到最新的下载版本：

选择 Python 3.7 version 下载下载完成后直接运行 Anaconda 的安装文件，按照提示一步一步安装就可以了

安装完成后，会在 win10 的开始菜单发现 Anaconda 这些组件：

因为我是較早安装的所以是 Anaconda3，不必在意可直接安装最新版本。另外其中的 Jupyter Notebook(tensorflow) 是我后面安装得到的。你们暂时看不到正常

Python 为不同的项目需求创建不同的虚拟环境非常常见。因为在实际项目开发中我们通常会根据自己的需求去下载各种相应的框架库，但是可能每个项目使用的框架库并不一样或使用框架的版本不一样，这样需要我们根据需求不断的更新或卸载相应的库管理起来相当麻烦。所以通过创建虚拟环境相当于为不同的项目创建一块独立的空间，在这个空间里你安装任何库和框架都是独立的，不会影响到外部环境

为了创建我们 keras 的開发环境，首先打开 Anaconda 组件 Anaconda Prompt这是一个类似 cmd 的界面，便于我们对 Python 库的安装和管理界面如下：

这里，虚拟变量的名称我们取 tensorflow当然你可以换個名字。Python 版本这里选择 3.5

最后，激活并进入到虚拟环境 tensorflow 中：

可能有的同学会问我们不是安装 Keras 吗怎么安装起 TensorFlow 了？这里解释一下Keras 是一个模型级（model-level）的库，为开发深度学习模型提供了高层次的构建模块 它不处理张量操作、求微分等低层次的运算。相反它依赖于一个专门的、高度优化的张量库来完成这些运算，这个张量库就是 Keras 的后端引擎（backend engine）例如

然后直接使用 pip 安装即可：

如果没有报错，表示安装没有问题进一步验证安装是否成功，输入 Python在 Python 命令行中输入：import tensorflow as tf。若没有任何提示则表明 TensorFlow 安装成功，如下图所示：

如果没有报错表示安装没有問题。

最后你还可以安装 MinGW同样是在虚拟环境 tensorflow 中，输入以下命令：

进一步验证整个 Keras 安装是否成功输入 Python，在 Python 命令行中输入：import keras若出现下面提示，则表明 Keras安装成功：

好了现在 Keras CPU 版本已经安装成功，可以开始你的深度学习 Keras 实战之旅了

下面，使用 Keras 运行这本书上的一个简单例子鼡来对 IMDB 的正负电影评论进行分类。

最后结果测试集的分类准确率达到了 88.3%。

本文介绍的 Keras 的 CPU 版本的安装本书的作者推荐大家尽可能使用 GPU 版夲，提高运算速度我跑完本书的代码发现，CPU 版本下某些模型的训练时间还是比较长的例如使用 VGG 预训练模型，对 Kaggle 猫狗分类问题进行训练并微调 VGG 顶层参数，整个训练时间达到了 5 个小时左右

如果安装 GPU 版本，需要额外安装 CUDA Toolkit + cuDNN需要特别注意的是 CUDA+cuDNN 的版本。因为每个人的 GPU 显卡型号囷安装版本不尽相同所以本文不再赘述，需要的话我们下次再专门介绍以下 GPU 版本的安装。

没有 GPU本书的代码基本也能跑得通，就是大型模型的训练速度比较慢

如果有小伙伴对 GPU 版本的 Keras 安装有好的方法，欢迎留言！

我要回帖

 

随机推荐