4130人阅读
数据挖掘（22）
之前接触过深度学习，由于实验室台式电脑是32位且没有独显，跑深度学习这样层次复杂的模型，运算时间上非常漫长（干着急…）。这次在自己笔记本上重新折腾，配置CUDA ，通过学习网上总结的教程，不断尝试，最终安装成功。现将整个安装过程记录下来。
二、软件信息:
【1】操作系统：Win10 64bit
【2】Python环境及相关依赖包：Anaconda-2.1.0-Windows-x86_64
【3】Theano包：深度学习框架
【4】检查显卡是否支持GPU加速。如果显卡不支持GPU加速，到此就没有必要进行下面两步配置操作了。
【5】C++环境安装：直接安装微软的VisualStudio环境。
【6】并行计算架构安装：直接安装CUDA。
三、详细配置步骤
整个过程总共包括六步，顺次执行如下：开始→了解操作系统→Python环境及相关依赖包→Theano包安装→检查显卡是否支持GPU加速→C++环境安装→并行计算架构安装→配置结束，下面就对每个步骤进行详细描述。
了解操作系统
主要是了解操作系统是32bit,还是64bit ,然后在之后几个步骤中都要下载与自己系统位数一致的软件。
Python环境及相关依赖包安装
目前Python的版本主要分为Python 2.x和Python 3.x，由于Theano采用的Pyhton 2.x进行编写的，所以在这里安装Python环境的时候建议安装Python2.x，除了安装最基本的Python环境，还应该安装一些其他的依赖包以供Theano使用。在安装Python环境极其相关依赖包的过程中，如果一个一个的安装其他依赖包，这样显得较为麻烦，这里建议安装一个Python集成开发包，Python集成开发包种类较多，我这里安装的Anaconda（版本为Anaconda-2.1.0-Windows-x86_64，[点这里下载32位](https://repo.continuum.io/archive/)，安装的地址可以直接建在C盘，也可以放其他盘。我放在了E:\program files\Anaconda
在安装完Python后,会附带一个IDE,叫Spyder。打开Spyder ,输入python命令，即可看到响应的输出结果，这表明Python已经正确安装。
注意：如果使用Anaconda -4.0.0 等高版本的话，会发现没有MinGW，需要自己另外单独安装了MinGW,它的方式是 ：打开cmd，然后直接输入 conda install mingw libpython 回车就会出现安装进度，然后安装成功。而我提供的这个版本自带MinGW。
深度学习框架Theano安装
在前两步已经正确配置后就可以安装Theano了。由于Anaconda中的Python依赖包集中已经有了pip工具包，因此在安装Theano时，只需保证网络畅通的前提下，打开控制台，然后输入&&pip install theano命令并回车，然后稍等片刻即可自动安装上最新版的Theano深度学习框架。这时可到D:\Anaconda\Lib\site-packages目录下查看是否已经有theano和Theano-0.7.0-py2.7.egg-info两个文件夹，若有则表明已经安装成功。一般情况下，这一步不会出错，很容易操作。
安装结束后，检查当前用户目录下是否有.theanorc.txt文件（这是theano的一些初始设置信息文件，如不知道当前用户目录位置，可以打开控制台窗口，该窗口里面第一个命令提示行所示的目录位置就是当前用户目录位置，我的是C:\Users\allwe即为当前用户目录），如果没有可以手动创建一个，然后在文件里面写入下面内容：
openmp = False
cxxflags = -IE:\program files\Anaconda\MinGW
输入完毕后保存.theanorc.txt文件即可。
现在检查theano是否配置成功，只需打开控制台，然后输入：python回车，再输入import theano回车，若没有其他错误信息输出这表明theano配置正确。
至此，大家就可以利用theano框架来编写深度学习的代码，在CPU上面运行了。
检查电脑显卡是否支持GPU加速
这一步至关重要，在确定了电脑显卡支持GPU加速后，再进行后面两步操作，不然费时费力而且还没有结果。就目前而言，似乎只有NVIDIA的GF8级别以上的显卡才能支持physx物理加速（即GPU加速，这里所说的GPU加速均默认是CUDA编程），ATI的显卡不支持。
如何确认自己电脑的GPU是否支持CUDA编程？在设备管理器中找到显示适配器（Display adapters)，找到自己电脑的显卡型号，然后到列表（如图2所示）中进行比对，若在列表中则支持CUDA编程，否则就利用Theano框架所编写深度网络就只能在CPU上面运行了。
C++环境安装
在电脑显卡支持GPU加速（即CUDA编程）后，就可以进行后两步操作了。
C++环境的安装，建议直接安装一套微软的Visual Studio环境，建议Visual Studio 2010或更高版本。本人安装Visual Studio 2013版本，能够支持CUDA编程。VS的具体安装过程也非常简单，一键安装的那种。这里是下载地址
并行计算架构CUDA的安装
在安装CUDA之前最好先更新一下自己电脑的显卡驱动版本，有时候安装完毕CUDA之后，运行CUDA所提供的案例程序中的deviceQuery会出错，请优先考虑显卡驱动的问题。这里建议安装NIVDIA官方发布的针对自己显卡型号的驱动。安装CUDA的详细步骤如下：
在显卡型号允许的条件下，建议下载CUDA 5.0以上版本，这样比较省事。本人安装的是CUDA 7.5版本。CUDA各版本下载地址：。注意，下载的时候有些版本需要区分network和local。要下载local版本。
下载好了后就可以直接安装了，CUDA的默认安装目录为：C:\Program Files\NVIDIA GPU Computing Toolkit\ 这里推荐使用默认的安装路径，不需更改。安装过程和普通软件没有什么区别。在安装结束时将会出现一个界面，这表明已经成功安装，从图3可以看出似乎CUDA 6.5至少都需要Visual Studio 2010的C++环境。
检查是否安装正确。在安装结束后，你会发现在系统环境里面新添加了两个环境变量：CUDA_PATH_V5_0 和CUDA_PATH。
现在，打开cmd控制台命令行，输入命令nvcc –V回车（注意是大写V哟）就可以参考版本信息。
CUDA配置结束，说明CUDA安装成功。现在就可以利用Theano框架编写深度学习代码，并将代码进行GPU加速了。
测试Theano框架是否可以利用所安装的CUDA6.5进行GPU加速
在前面第2步中，已经通过安装Anaconda将python环境装好，其中Anaconda本身自带了一个称作Spyder的图形界面IDE。在进行Theano GPU加速测试之前，还得需要配置一下.theanorc.txt文件里面的信息，红色字体信息是为了实现GPU加速而增加的配置信息，如下：
openmp=False
device = gpu
floatX = float32
allow_input_downcast=True
cxxflags=-IE:\Anaconda\MinGW
flags = -LE:\program files\Anaconda\libs #此处是Anaconda的路径
compiler_bindir = E:\program files\VC2013\VC\bin #此处一定要和你安装的VS的路径保持一致
fastmath = True
flags=-arch=sm_30
现在可以启动Spyder，输入表1中的Theano GPU加速测试案例代码并运行，将会出现图7所示的运行结果，其中有一条“Used the gpu”信息输出，表明Theano GPU加速测试成功。
from theano import function, config, shared, sandbox
import theano.tensor as T
import numpy
import time
vlen = 10 * 30 * 768
# 10 x #cores x # threads per core
iters = 1000
rng = 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 range(iters):
t1 = time.time()
print ('Looping %d times took' % iters, t1 - t0, 'seconds')
print ('Result is', r)
if numpy.any([isinstance(x.op, T.Elemwise) for x in f.maker.fgraph.toposort()]):
print ('Used the cpu')
print ('Used the gpu')
Theano GPU加速测试代码
到此，基于CUDA的Theano GPU加速环境已经配置成功。
参考文献：
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：183067次
积分：1698
积分：1698
排名：千里之外
原创：56篇
评论：61条
(2)(2)(6)(3)(3)(9)(14)(6)(1)(6)(6)(2)
(window.slotbydup = window.slotbydup || []).push({
id: '4740881',
container: s,
size: '200,200',
display: 'inlay-fix'Win10环境下安装theano并配置GPU详细教程
来源：博客园
一．软件和环境（1）安装日期；（2）原材料VS2013，cuda-8.0（最好下载cuda7.5，目前theano-0.8.2对cuda-8支持不是很好），Anaconda3-4.2.0（64位）；（3）环境为win10. 二．安装步骤（1）安装VS2013。这个没什么可说的，下载64位版本后就是一路下一步、确定就行，记住安装位置就可以了，我这里的安装目录是D:\software\VS2013： 接着右键我的电脑-》属性-》高级系统设置-》环境变量，之后编辑系统变量Path，加入两个路径D:\software\VS2013\VC\bin和D:\software\VS2013\Common7\IDE，以分号隔开，如图： 点击确定即可。 （2）安装cuda。这个也没什么可说的，到官网上下载cuda，并一路下一步+确定就好了，注意如果安装过程中win10提示阻止某项操作，一定要选择允许本次操作或允许程序所有操作，否则cuda就会安装失败。Cuda官网地址为下载地址为/cuda-downloads，如图： （注意：这是cuda-8版本，对目前版本的theano支持不是很好，不过不影响使用，最好还是下载cuda7.5，我这里懒得再重装一遍，所以就用的cuda-8）还有一定要记住cuda的安装路径，我的路径就是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0，如图：
（3）右键我的电脑-》属性-》高级系统设置-》环境变量，可以看到系统变量中增加了两个变量CUDA_PATH和CUDA_PATH_V8_0，如图： 之后编辑系统变量Path，加入两个路径%CUDA_PATH%\lib\x64和%CUDA_PATH%\bin，要用分号隔开，如图： 点击确定。打开命令行，输入nvcc -V，如果出现下图则安装成功：
并可到目录C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\1_Utilities\deviceQuery下用VS2013打开并运行测试样例deviceQuery_vs2013.vcxproj文件，如图：（注意C:\ProgramData为隐藏文件夹，需要点击C盘-》查看-》选项-》查看，选中显示隐藏的文件、文件夹和驱动器，点击确定。如图） 图为显示C:\ProgramData文件夹的查看选项
图为deviceQuery_vs2013.vcxproj的位置
图为在VS2013中的运行结果最后一行为Result = Pass则表示安装配置成功。
（4）安装Anaconda3-4.2.0，这个很简单，就是一路确定即可，记住安装位置，如我就是安装在D:\software\Anaconda3，如图：
接着右键我的电脑-》属性-》高级系统设置-》环境变量，在用户变量中添加PATH，并加入路径D:\software\Anaconda3，D:\software\Anaconda3\Scripts和D:\software\Anaconda3\Library\bin，点击确定。如图：
之后进入命令行输入python，如果出现如图信息，则安装成功： 关闭命令行。 （5）安装mingw和libpython。打开命令行后输入conda install mingw libpython即可，目前libpython已经支持python3.5了，就不用再配置python3.4的环境了。注意如果安装mingw速度很慢，则可ctl+c并退出命令行，再进入命令行修改Anaconda的镜像，这里推荐清华的镜像，方法为在命令行中输入：conda config --add channels conda config --set show_channel_urls yes，之后再conda install mingw libpython即可。之后到Anaconda3的安装目录中可以看到MinGW的文件夹，如图： （注：网上说需要把MinGW的路径加入到环境变量，其实不用，等会儿再theano的配置文件中标出MinGW的位置即可） （6）安装theano。首先打开命令行，输入conda install scipy，之后再输入pip install theano即可。（为什么要输入conda install scipy我也不明白，但是网上建议）。之后在个人主文件夹下新建一个“.theanorc.txt”的文档。个人主文件夹就是打开命令行后所显示的文件夹路径，比如我的就是C:\Users\15540：
注意theano的配置文件为.theanorc.txt，注意前面那个点要有，并且文件名为.theanorc，.txt是文件类型，不要弄错。打开.theanorc.txt写入以下信息：[global]openmp=Falsedevice = gpuoptimizer_including=cudnnfloatX = float32allow_input_downcast=True[lib]cnmem = 0.8[blas]ldflags=[gcc]cxxflags=-ID:\software\Anaconda3\MinGW[nvcc]flags = -LD:\software\Anaconda3\libscompiler_bindir = D:\software\VS2013\VC\binfastmath = True注意需要把cxxflags=-ID:\software\Anaconda3\MinGW换成你的Anaconda3中MinGW的位置，flags = -LD:\software\Anaconda3\libs换为你的Anaconda3中libs的位置，compiler_bindir = D:\software\VS2013\VC\bin换为你的VS2013中VC\bin的位置；还有cnmem = 0.8这个网上说设为1，但是貌似有点问题，建议设为小于1的值，如我这里设为0.8 ，这就可以避免后面显示CNMEM is disabled了。 （7）更新cudnn文件，到网上搜索cudnn下载下来（到官网注册一下就可以下载了，官网网址为/cudnn）。将下载来的文件解压，解压出cuda文件夹，里面包含3个文件夹，如图。将设三个文件夹替换掉系统里面的对应文件，进行覆盖替换即可，例如我的文件目录为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0。覆盖掉后面导入theano时会就不会出现CuDNN not available提示了。
（8）测试theano。打开命令行，输入python，在输入import theano，如果出现UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd5 in position 11: invalid continuation byte这种编码问题，这是因为掉用nvcc返回的字符串是使用的cwindows默认的默认编码，直接找到theano中对应的报错文件，把源码出错的地方改为 *.decode("GBK")就可以。比如我的是在theano下的__init__.py出现的编码问题，则修改为：
（如果出现上述错误，关闭命令行修改错误，重输一遍命令即可）出现以下画面则表示成功。 （注：可以看到仍有warning，不过不影响使用，出现warning的原因主要是cuda-8对目前版本的theano支持不太好导致，不过相信以后更新的theano会解决这个问题，如果实在接受不了这个warning就安装cuda7.5，步骤一样） 三．其他问题（1）不要在环境变量添加PYTHONPATH变量，否则容易在import theano后出现configparser找不到或没有这个组件这个问题（在我这里是这样的）；（2）建议在安装完cuda后重启电脑；（3）如果在命令行输入命令后出现什么问题，建议修改完问题后重启命令行；（4）如果还有其他问题，试试重启电脑后在import theano，如果还有问题，一般就是配置文件.theanorc.txt的问题（我这个配置方式不一定百分之百的适合你），下面列出一些我参考的文章：
免责声明：本站部分内容、图片、文字、视频等来自于互联网，仅供大家学习与交流。相关内容如涉嫌侵犯您的知识产权或其他合法权益，请向本站发送有效通知，我们会及时处理。反馈邮箱&&&&。
学生服务号
在线咨询，奖学金返现，名师点评，等你来互动4129人阅读
python（8）
机器学习（5）
换了台本本需要重新配置，重新来过遇到好多问题，花了一天时间解决了，而且还发现自己还附带把之前安装时出现的两个问题解决掉了（CNMeM is disable，CuDNN not available）。下面上步骤：
一、需求的软件及环境：
1.Anaconda2：
2.VS2010：这个一定要这个版本，其他版本我不确定会不会出错！我开始用的12版的装了好几遍都不行！！
3.win10 64bit
二、卸载之前版本。&
　　把之前单独安装的等统统卸载掉。因为Anaconda2里边包含了python。
三、安装Anaconda2。&
　　这个炒鸡简单，安装目录我用的是的&D:\Anaconda2&。这个特别要注意：安装路径千万不要有空格！！！血的教训
四、安装MinGw。&
　　其他教程讲在环境变量中添加 path&D:\Anaconda2\MinGW\D:\Anaconda2\MinGW\x86_64-w64-mingw32\ ，但是你会发现&D:\Anaconda2\
下面根本没有MinGw这个目录，所以最好的方法就是用命令安装，不需要自己下载什么mingw-steup.exe等。&
安装方法：
打开CMD（注意是windows命令提示符，并不是进入到python环境下，否则会提示语法错误，因为conda命令就是在windows下面执行的。）；输入conda install mingw libpython，然后回车，会出现安装进度，稍等片刻即可安装完毕。此时就有D:\Anaconda2\MinGw目录了。
五、配置环境变量。
编辑用户变量中的path变量（如果没有就新建一个，一般会有的），在后边追加D:\Anaconda2;D:\Anaconda2\S&不要漏掉分号，此处因为我的Anaconda的安装目录是D:\Anaconda2，此处需要根据自己的安装目录填写。
在用户变量中新建变量pythonpath，变量值为D:\Anaconda2\Lib\site-packages\&，此处就是指明安装的theano的目录是哪，但是现在咱们还没有安装，所以不着急，先写完再说。打开cmd，会看到窗口里边有个路径，我的是C:\Users\Administrator&，根据自己的路径，找到对应的目录，在该目录下新建一个文本文档.theanorc.txt&（注意有两个“.”），编辑它，写入以下内容：&
openmp=False&
cxxflags=-ID:\Anaconda2\MinGW&
其中红体字部分是你安装的Anaconda的路径，一定不要弄错。否则找不到MinGw。
配置文件的命名一定要注意！有些朋友的电脑是刚装的，默认不显示常用后缀名。如果你的电脑不显示后缀名，那么你就要命名为.theanorc了。因为当你显示后缀了以后，就是.theanorc.txt了。很多朋友什么都配置好了，也不报错，仍然不可以使用gpu，很多原因就在于此，他们的配置文件名称为.theanorc.txt.txt
最好重启下电脑（那就一定要重启！TVT）
六、安装Theano
不需要手动下载zip等压缩包，直接用命令安装最简单。
打开CMD，方法和安装MinGw一样，不要进入python。输入pip install theano，回车后就是赏心悦目的下载进度条，这个很小，所以安装的比较快。
如果安装出现了pip命令不能识别的问题：Unable to create process using '&&
用 python -m pip install theano来代替
在cmd中，输入python&进入到python环境下，然后先输入import theano回车，需要等一段时间。继续输入theano.test()。又会输出好长一段信息，只要没有error就说明安装成功了。我安装时等了一段时间还在输出，我就ctrl+c退出了。（其实我发现，有部分error信息也没有关系，theano的功能也可以正常使用，包括theano.function()，所以如果有同学无论如何配置还是有error信息的话，可以暂时忽略掉，直接跑一段程序试一下，可以去测试一下代码。
七、配置GPU加速（先按照本教程安装好theano）
首先检查电脑显卡是否支持GPU加速，如果不支持下面的1，2,3,4就不用看了！！！
& &&& &&这一步至关重要，在确定了电脑显卡支持GPU加速后，再进行后面【5】【6】步操作，不然费时费力而且还没有结果。就目前而言，似乎只有NVIDIA的GF8级别以上的显卡才能支持physx物理加速（即GPU加速，这里所说的GPU加速均默认是CUDA编程），ATI的显卡不支持。
& &&& &&如何确认自己电脑的GPU是否支持CUDA编程？在设备管理器中找到显示适配器（Display adapters)，找到自己电脑的显卡型号，然后到1所示）中进行比对，若在列表中则支持CUDA编程，否则就利用Theano框架所编写深度网络就只能在CPU上面运行了。
图1 支持CUDA编程的显卡型号
如果支持的话按照下面的步骤配置：
要装一个vs2010，能支持大部分的cuda版本。&装vs2010的时候，可以只选择装C++语言就够。还是那句话，其他的版本可能出错你永远装不上！下载cuda，如果你的Anaconda(python)是64位的，那就下载cuda64bit的；否则下载32bit的。其次，如果你的是笔记本，那就选择notebook，否则选择桌面版。下载地址：
我下载的是cuda8.0安装Cuda8.0，安装的时候，选择“自定义安装”，安装全部功能，还有要安装到默认位置最好，安装很简单，可能需要点时间。安装完后，打开环境变量应该会多出来2个变量，CUDA_PATH_V8_0和CUDA_PATH.
打开cmd控制台命令行，输入命令nvcc –V回车（注意是大写V）就可以查看版本信息，如果安装正确会显示Cuda的版本号。
配置.theanorc.txt，如下：
openmp=False&
device = gpu
floatX = float32&
allow_input_downcast=True&
cxxflags=-ID:\Anaconda2\MinGW
flags = -LD:\Anaconda2\libs&#此处是Anaconda的路径&
compiler_bindir = D:\Microsoft Visual Studio 11.0\VC\bin#此处一定要和你安装的VS的路径保持一致
fastmath = True&
然后就测试一下就行了，这样应该能安装成功。 代码如下：
from theano import function, config, shared, sandbox
import theano.tensor as T
import numpy
import time
vlen = 10 * 30 * 768
# 10 x #cores x # threads per core
iters = 1000
rng = 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 range(iters):
t1 = time.time()
print ('Looping %d times took' % iters, t1 - t0, 'seconds')
print ('Result is', r)
if numpy.any([isinstance(x.op, T.Elemwise) for x in f.maker.fgraph.toposort()]):
print ('Used the cpu')
print ('Used the gpu')
八、仅仅这样的话，可能会出现using gpu device 0: Geforce GTX 965M（CNMeM
is disable，CuDNN not available）这样的情况！
有的人说不影响使用，但是我的情况确实是不能使用！！所以我跋山涉水历经千辛万苦终于解决了这个问题了！方法如下：
修改配置.theanorc.txt
加上这一条：
注意：网上有的配置文件中没有[lib]这个块，后面导入theano时会出现CNMeM is disabled提示。
如果你有了这个还是出现CNMeM
is disabled，那么只要把cnmem
= 1后面的1改小一下就可以了，我改成0.8就可以了
最终的.theanorc.txt文件是：
openmp=False&
device = gpu
floatX = float32&
allow_input_downcast=True&
cnmem = 0.8
cxxflags=-IC:\Anaconda2\MinGW
flags = -LC:\Anaconda2\libs&
compiler_bindir = D:\Program Files (x86)\Microsoft Visual Studio 10.0\VC\bin
fastmath = True&
　　到网上搜索cudnn下载下来（官网下载好像要注册才行。我的是从CSDN下载下来的）。将下载来的文件解压，解压出cuda文件夹，里面包含3个文件夹。将设三个文件夹替换掉系统里面的对应文件，进行覆盖替换即可。C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0
覆盖掉后面导入theano时会就不会出现CuDNN not available提示了。
最后是这样的Using gpu device 0: GeForce GTX 965M (CNMeM is enabled with initial size: 80.0% of memory, cuDNN 5105)
完美解决！
九、深度学习框架Keras
打开CMD，方法和安装MinGw一样，不要进入python。输入pip install theano，回车后就是赏心悦目的下载进度条。
　　同样pip命令识别不了，用的&python -m pip install keras代替
　　　　注：在Anaconda Prompt中是识别pip命令的，上述两个pip命令也可以直接在这里面装，效果是一样的。
测试keras程序：
'''Trains a simple convnet on the MNIST dataset.
Gets to 99.25% test accuracy after 12 epochs
(there is still a lot of margin for parameter tuning).
16 seconds per epoch on a GRID K520 GPU.
from __future__ import print_function
import numpy as np
np.random.seed(1337)
# for reproducibility
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Convolution2D, MaxPooling2D
from keras.utils import np_utils
batch_size = 128
nb_classes = 10
nb_epoch = 12
# input image dimensions
img_rows, img_cols = 28, 28
# number of convolutional filters to use
nb_filters = 32
# size of pooling area for max pooling
nb_pool = 2
# convolution kernel size
nb_conv = 3
# the data, shuffled and split between train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.reshape(X_train.shape[0], 1, img_rows, img_cols)
X_test = X_test.reshape(X_test.shape[0], 1, img_rows, img_cols)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
print('X_train shape:', X_train.shape)
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')
# convert class vectors to binary class matrices
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)
model = Sequential()
model.add(Convolution2D(nb_filters, nb_conv, nb_conv,
border_mode='valid',
input_shape=(1, img_rows, img_cols)))
model.add(Activation('relu'))
model.add(Convolution2D(nb_filters, nb_conv, nb_conv))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(nb_pool, nb_pool)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(nb_classes))
model.add(Activation('softmax'))
pile(loss='categorical_crossentropy',
optimizer='adadelta',
metrics=['accuracy'])
model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch,
verbose=1, validation_data=(X_test, Y_test))
score = model.evaluate(X_test, Y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])
十、切换后端
因为我用的是theano,而keras默认使用tensorflow。切换方法有英文资料
Switching from one backend to another
If you have run Keras at least once, you will find the Keras configuration file at:
~/.keras/keras.json
If it isn't there, you can create it.
The default configuration file looks like this:
&&& &image_dim_ordering&: &tf&,
&&& &epsilon&: 1e-07,
&&& &floatx&: &float32&,
&&& &backend&: &tensorflow&
Simply change the field&backend&to either&&theano&&or&&tensorflow&, and Keras will use the new configuration next time you run any Keras code.
简单说就是把~/.keras/keras.json文件改成如下：
&&& &image_dim_ordering&: &th&,
&&& &epsilon&: 1e-07,
&&& &floatx&: &float32&,
&&& &backend&: &theano&
如果找不到这个文件：打开cmd，会看到窗口里边有个路径，我的是C:\Users\xuke，根据自己的路径，找到对应的目录，在该目录下应该会有，没有的话就创建一个就好了。
至此，你就可以开心的使用啦！！！
给两个教程学习一下：
十一、参考链接：
2.配置GPU：
3./zhaopengcheng/p/5992911.html
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：8032次
排名：千里之外
原创：17篇
(1)(2)(4)(1)(1)(1)(4)(4)
(window.slotbydup = window.slotbydup || []).push({
id: '4740887',
container: s,
size: '250,250',
display: 'inlay-fix'}