标签：【Anaconda 3.5】+【Tensorflow-GPU 2.0.0】+【Keras 2.3.1】【Python 3.7.4】
Deep Learning技术火遍全球，想动手试试这个技术的想法有段时间了。这次新肺炎疫情让我终于有时间坐下来研究一下这个技术了。
考虑到自己非专业出身，所以根据资料选择Tensorflow-Keras组合。【后记：没有想到实际安装过程一波三折。光安装调试整整浪费了两天的事件。】
OK，Let‘s start！
Step 1 - Anaconda 安装
1）Anaconda简要介绍
Anaconda（官方网站）就是可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。
详细资料参考：
Anaconda介绍、安装及使用教程 https://www.jianshu.com/p/62f155eb6ac5
Anaconda官方网站 https://www.anaconda.com/
Anaconda清华镜像 https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/
清华镜像使用方法：1）运行 conda config --set show_channel_urls yes ，这样会在用户目录下生成一个.condarc文件。2）用文本编辑器打开该文件，将下边的内容复制进去：
channels:
- defaults
show_channel_urls: true
channel_alias: https://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
2）Anaconda安装过程
Anaconda安装软件可以从官方下载，下载的时候可以用迅雷，笔者所在的网络官方下载非常缓慢。版本可以选择最新版64位。最新版的Tensorflow仅支持64位的Python。笔者下载的版本是：Anaconda3-5.3.1-Windows-x86_64。
开始菜单-打开Anaconda命令行
Step 2 - 安装Tensorflow-gpu
1）安装必须组件
Tensorflow有CPU和GPU两个版本。
tensorflow-gpu版本的安装需要安装Nvidia的CUDA和cuDNN库。tensorflow和CUDA及cuDNN有版本的对应。不对应的版本会导致兼容性问题。笔者的CUDA和cuDNN的版本是：cuda_10.2.89_441.22_win10和cudnn-10.2-windows10-x64-v7.6.5.32 。
https://developer.nvidia.com/cuda-downloads
https://developer.nvidia.com/cudnn
2）安装Tensorflow/Tensorflow-GPU
有两种不同的安装方式，conda和pip。
笔者开始通过pip install tensorflow-gpu。但是会遇到tensorboard 不能找到版本的错误。后来通过-i指定豆瓣的源安装完毕之后，调用报错。后来笔者在某些文章中介绍说，通过conda安装tensorflow一般不会出错，然后就重新卸载Anaconda，通过conda install tensorflow-gpu成功安装并成功通过调用。
3）tensorflow测试
注：默认情况下，即使安装的是tensorflow-gpu，tensorflow也不会调用GPU进行计算，如果想让GPU进行计算，需要在所有代码前边加入：
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
以下为简单的测试脚本：
import tensorflow as tf
import timeit
with tf.device('/cpu:0'):
cpu_a = tf.random.normal([10000, 1000])
cpu_b = tf.random.normal([1000, 2000])
print(cpu_a.device, cpu_b.device)
with tf.device('/gpu:0'):
gpu_a = tf.random.normal([10000, 1000])
gpu_b = tf.random.normal([1000, 2000])
print(gpu_a.device, gpu_b.device)
def cpu_run():
with tf.device('/cpu:0'):
c = tf.matmul(cpu_a, cpu_b)
return c
def gpu_run():
with tf.device('/gpu:0'):
c = tf.matmul(gpu_a, gpu_b)
return c
# warm up
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('warmup:', cpu_time, gpu_time)
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('run time:', cpu_time, gpu_time)
笔者上述脚本的输出为：
/job:localhost/replica:0/task:0/device:CPU:0 /job:localhost/replica:0/task:0/device:CPU:0
/job:localhost/replica:0/task:0/device:GPU:0 /job:localhost/replica:0/task:0/device:GPU:0
warmup: 0.9505847049999971 0.42991021699999976
run time: 0.8981372370000003 0.0005334799999978657
Step 3 - 安装Keras
安装完tensorflow后，Keras的安装就比较简单了，通过pip install keras可以迅速安装。
笔者一次性通过安装。
Step 4 - 测试
1）测试前设置：
由于Keras默认采用tensorflow作为后台模块，因此笔者不需要做任何更改。如果想改为其他后台模块，请参考 https://keras.io/zh/backend/ 或者 https://keras.io/backend/。
2）测试Keras
【注1：windows版本下的Keras由于无法正确处理虚拟显存技术，默认会大量占用显存，笔者的GTX 1060 6GB显卡在运行一个脚本后几乎显存被耗尽。如果不关闭当前脚本，新的脚本运行会出现问题。笔者调试的时候还以为笔者的内存或者显存出现了问题】
打开Jupyter Notebook。
开始菜单-打开Jupyter Notebook
输入以下为线性回归的测试脚本：
import keras
import numpy as np
import matplotlib.pyplot as plt
#Sequentioal
from keras.models import Sequential
#Dense
from keras.layers import Dense
x_data = np.random.rand(100)
noise = np.random.normal(0,0.01,x_data.shape)
y_data = x_data*0.1 + 0.2 + noise
model = Sequential()
#添加全连接层
model.add(Dense(units=1, input_dim=1))
model.compile(optimizer='sgd',loss='mse')
cost = model.train_on_batch(x_data,y_data)
for step in range(3001):
cost = model.train_on_batch(x_data,y_data)
if step % 500 == 0:
print('cost:',cost)
#print weight and variation
w,b = model.layers[0].get_weights()
print('W:',w, 'b:',b)
y_pred = model.predict(x_data)
plt.scatter(x_data, y_data)
plt.plot(x_data, y_pred,'r-',lw=3)
plt.show()
运行脚本
笔者的输出：
cost: 0.1411038
cost: 0.01774438
cost: 0.004615805
cost: 0.0012335633
cost: 0.00036221492
cost: 0.00013773507
cost: 7.990343e-05
W: [[0.11383099]] b: [0.19431618]
随机数据及其线性回归预测模型
网友评论