建立深度学习工作站：在Ubuntu上安装Keras及其依赖

r囧r小猫 2022-08-30 15:42 21阅读 0赞

### 目录 ###

*  一、建立深度学习工作站的步骤
 *  二、基础安装
 *   *  1.安装\`BLAS\`库
     *  2.安装Python科学套件：\`Numpy\`、\`SciPy\`和\`Matplotlib\`
     *  3.安装HDF5
     *  4.安装Graphviz和pydot-ng
     *  5.安装\`python-opencv\`
 *  三、重点：\[安装\`CUDA\`和\`cuDNN\`\](https://blog.csdn.net/weixin\_37477009/article/details/118945257)
 *  四、安装tensorflow-gpu
 *  五、安装keras
 *  六、验证

# 一、建立深度学习工作站的步骤 #

（1）安装Python科学套件( `Numpy` 和 `Scipy`) + 基础线性代数子程序库( `BLAS` )  
（2）安装`HDF5`(用于保存大型的神经网络文件) + `Graphviz`(用于将神经网络架构可视化)  
（3）安装`CUDA`驱动程序和`cuDNN`  
（4）安装一个Keras后端：TensorFlow  
（5）安装Keras

> 1.参考书目：《Python深度学习（Keras）》附录  
> 2.说明：假设已经配备NVIDIA GPU(并装好了驱动)，以及pip3是最新版本！（很重要！）  
> 3.我的环境：  
> ①OS：Ubuntu 18.04.4 LTS  
> ②Python：3.6.9  
> ③Pip3：21.1.3  
> 4.[版本选择][Link 1]（我的选择，仅供参考）：  
> ①CUDA：10.0.130  
> ②cuDNN：7.6.1  
> ③tensorflow-gpu：1.15.0  
> ④keras：2.3.1

# 二、基础安装 #

## 1.安装`BLAS`库 ##

sudo apt-get install build-essential cmake git unzip \
    pkg-config libopenblas-dev liblapack-dev

## 2.安装Python科学套件：`Numpy`、`SciPy`和`Matplotlib` ##

sudo apt-get install python-numpy python-scipy python-matplotlib python-yaml

## 3.安装HDF5 ##

sudo apt-get install libhdf5-serial-dev python-h5py

## 4.安装Graphviz和pydot-ng ##

sudo apt-get install graphviz
    sudo pip install pydot-ng

> 这里没用pip3影响不大。

## 5.安装`python-opencv` ##

sudo apt-get install python-opencv

> 上述的安装属于基础安装，比较顺利。

# 三、重点：[安装`CUDA`和`cuDNN`][CUDA_cuDNN] #

> 按照我写的博客，我在2台服务器上都顺利安装了CUDA和cuDNN。

# 四、安装tensorflow-gpu #

1.安装tensorflow-gpu==1.15.0  
`pip3 install tensorflow-gpu==1.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple`![在这里插入图片描述][4c5937e103119b52b40d2de16b3cd4a8.png]

> 务必用最新的pip3安装，否则会遇到如下问题：  
> ![在这里插入图片描述][a4fa0489fd80758d2f0fd6cf817699ba.png]  
> 更新pip3的命令：`pip3 install --upgrade pip`。

在安装过程中，Python3.7失败过，所以，我修改了Python版本。

2.为特定用户修改Python版本的方法。(**不用修改Python版本，慎用alias**)

vim ~/.bashrc
    source ~/.bashrc

![在这里插入图片描述][0dc52c4ec25d33e7eeaf4ab805db6578.png]  
![在这里插入图片描述][085e363f48257817c9d7a77528c8e5c3.png]

> 在`.bashrc`文件末尾添加上图内容。  
> 前提：装了Python3.6！

3.验证  
![在这里插入图片描述][3bea13bef24fe2debb4da8e015f3b44f.png]

4.补充：这里的安装容易超时，下面是各种镜像地址  
（1）中国科学技术大学：[https://pypi.mirrors.ustc.edu.cn/simple/][https_pypi.mirrors.ustc.edu.cn_simple]  
（2）阿里云：[http://mirrors.aliyun.com/pypi/simple/][https_pypi.mirrors.ustc.edu.cn_simple]  
（3）豆瓣：[http://pypi.douban.com/simple/][https_pypi.mirrors.ustc.edu.cn_simple]  
（4）清华大学：[https://pypi.tuna.tsinghua.edu.cn/simple/][https_pypi.mirrors.ustc.edu.cn_simple]

# 五、安装keras #

`pip3 install keras==2.3.1 -i https://pypi.tuna.tsinghua.edu.cn/simple`  
![在这里插入图片描述][32182fbc7139da7e108fe5d260c7253e.png]  
![在这里插入图片描述][7bf12929655e1793e05865ebdd2e48a2.png]

# 六、验证 #

1.深度学习的Hello World：手写数字识别  
（1）代码

# keras这个库，自带了一些数据集，包括经典的手写数字识别数据集MNIST
    from keras.datasets import mnist
    
    #加载数据 (keras文档可以查到这种用法)
    (train_images, train_labels), (test_images, test_labels) = mnist.load_data()
    
    # 网络架构
    from keras import models
    from keras import layers
    
    network = models.Sequential()
    # layers.Dense(...) 构建全连接层
    network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
    network.add(layers.Dense(10, activation='softmax'))
    
    #编译
    network.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
    
    # 数据预处理
    train_images = train_images.reshape((60000, 28 * 28))
    train_images = train_images.astype('float32') / 255
    test_images = test_images.reshape((10000, 28 * 28))
    test_images = test_images.astype('float32') / 255
    
    # 准备标签
    from keras.utils import  to_categorical
    train_labels = to_categorical(train_labels)
    test_labels = to_categorical(test_labels)
    
    # 拟合模型，fit
    network.fit(train_images, train_labels, epochs=5, batch_size=128)
    
    # 测试
    test_loss, test_acc = network.evaluate(test_images, test_labels)
    print('test_acc:', test_acc)

（2）运行结果  
![在这里插入图片描述][ae085c38bdcdfc5c701586708ea4bb1d.png]

[Link 1]: https://docs.floydhub.com/guides/environments/
[CUDA_cuDNN]: https://blog.csdn.net/weixin_37477009/article/details/118945257
[4c5937e103119b52b40d2de16b3cd4a8.png]: /images/20220829/5602b3465c1640838a61a9a044fc5f83.png
[a4fa0489fd80758d2f0fd6cf817699ba.png]: /images/20220829/67e21c40b610452ba11a1b98e42a66cc.png
[0dc52c4ec25d33e7eeaf4ab805db6578.png]: /images/20220829/ee76a4624f884a71a77d09f2ae78dd95.png
[085e363f48257817c9d7a77528c8e5c3.png]: /images/20220829/8d13b691a3ef4535af2a79f116d7635c.png
[3bea13bef24fe2debb4da8e015f3b44f.png]: /images/20220829/b63d9f6e0f154b60a466df8be55e6f24.png
[https_pypi.mirrors.ustc.edu.cn_simple]: https://pypi.mirrors.ustc.edu.cn/simple/
[32182fbc7139da7e108fe5d260c7253e.png]: /images/20220829/e39480777258475db86fb6d938edaa86.png
[7bf12929655e1793e05865ebdd2e48a2.png]: /images/20220829/ec0b2df9cc01487a85d00a239e30d9d5.png
[ae085c38bdcdfc5c701586708ea4bb1d.png]: /images/20220829/076e86f086a940ad93e51bb4cfe5ed8a.png