Keras — Установка
В этой главе рассказывается, как установить Keras на ваш компьютер. Прежде чем перейти к установке, давайте пройдемся по основным требованиям Keras .
Предпосылки
Вы должны удовлетворять следующим требованиям —
- Любая ОС (Windows, Linux или Mac)
- Python версии 3.5 или выше.
питон
Keras — это библиотека нейронных сетей на основе Python, поэтому Python должен быть установлен на вашем компьютере. Если python правильно установлен на вашем компьютере, откройте ваш терминал и введите python, вы можете увидеть ответ, аналогичный указанному ниже,
На данный момент последняя версия — 3.7.2. Если Python не установлен, перейдите по официальной ссылке на python — www.python.org и загрузите последнюю версию, основанную на вашей ОС, и немедленно установите ее в своей системе.
Keras Установка Шаги
Установка Keras довольно проста. Выполните следующие шаги, чтобы правильно установить Keras в вашей системе.
Шаг 1: Создать виртуальную среду
Virtualenv используется для управления пакетами Python для различных проектов. Это будет полезно во избежание взлома пакетов, установленных в других средах. Поэтому всегда рекомендуется использовать виртуальную среду при разработке приложений Python.
Пользователи Linux или Mac OS, перейдите в корневой каталог вашего проекта и введите следующую команду для создания виртуальной среды:
После выполнения вышеупомянутой команды, каталог «kerasenv» создается с помощью bin, lib и включает в себя папки в вашем месте установки.
Пользователь Windows может использовать следующую команду,
Шаг 2: Активировать среду
Этот шаг настроит исполняемые файлы python и pip в вашем пути к оболочке.
Теперь мы создали виртуальную среду под названием «kerasvenv». Перейдите в папку и введите следующую команду,
Пользователи Windows перемещаются в папку «kerasenv» и вводят следующую команду:
Шаг 3: библиотеки Python
Keras зависит от следующих библиотек Python.
Надеюсь, вы установили все вышеперечисленные библиотеки в вашей системе. Если эти библиотеки не установлены, используйте команду ниже, чтобы установить одну за другой.
Вы могли увидеть следующий ответ,
Мы могли видеть следующий ответ,
Мы могли видеть следующий ответ,
Мы могли видеть следующий ответ,
Это библиотека машинного обучения с открытым исходным кодом. Используется для алгоритмов классификации, регрессии и кластеризации. Прежде чем перейти к установке, требуется следующее —
- Python версии 3.5 или выше
- NumPy версия 1.11.0 или выше
- SciPy версия 0.17.0 или выше
- Joblib 0.11 или выше.
Теперь мы устанавливаем scikit-learn с помощью следующей команды:
Seaborn — это удивительная библиотека, которая позволяет вам легко визуализировать ваши данные. Используйте команду ниже для установки —
Вы могли видеть сообщение, подобное указанному ниже —
Установка Keras использованием Python
На данный момент мы выполнили основные требования для установки Kera. Теперь установите Keras используя процедуру, описанную ниже:
Выйти из виртуальной среды
После завершения всех ваших изменений в вашем проекте, затем просто выполните приведенную ниже команду, чтобы выйти из среды:
Анаконда Облако
Мы считаем, что вы установили Anaconda Cloud на свой компьютер. Если anaconda не установлена, перейдите по официальной ссылке www.anaconda.com/distribution и выберите загрузку в зависимости от вашей ОС.
Создать новую среду conda
Запустите подсказку Anaconda, это откроет базовую среду Anaconda. Давайте создадим новую среду conda. Этот процесс похож на virtualenv. Введите следующую команду в вашем терминале conda —
Если вы хотите, вы можете создавать и устанавливать модули также с помощью графического процессора. В этом уроке мы следуем инструкциям процессора.
Активировать среду conda
Чтобы активировать среду, используйте следующую команду —
Установите Spyder
Spyder — это IDE для выполнения приложений на Python. Давайте установим эту IDE в нашу среду conda, используя следующую команду:
Установить библиотеки Python
Мы уже знали библиотеки python numpy, pandas и т. Д., Необходимые для keras. Вы можете установить все модули, используя следующий синтаксис:
Например, вы хотите установить панд —
Как и тот же метод, попробуйте сами установить остальные модули.
Установить Keras
Теперь все выглядит хорошо, поэтому вы можете начать установку keras с помощью следующей команды:
Запустить Spyder
Наконец, запустите spyder в вашем терминале conda, используя следующую команду:
Чтобы убедиться, что все установлено правильно, импортируйте все модули, он добавит все, и если что-то пойдет не так, вы получите сообщение об отсутствии модуля .
Установка Keras и Theano на Windows 10 с поддержкой GPU. Часть 1
Machine Learning/Data Mining/Big Data
Оглавление
Есть, конечно, много руководств, которые помогут вам настроить систему для глубокого обучение (Deep Learning) на базе Linux или Mac OS (в том числе и с Tensorflow, который, к сожалению, не может быть легко установлен на Windows), и лишь немногие устанавливают все это для Windows 10. Большинство просто работают под виртуальной машиной Ubuntu запущенной на Windows, или используют Docker. И потому мы решили исправить эту проблему.
В процессе поиска мы наткнулись на множество недостоверной или устаревшей информации, но в итоге смогли создать пошаговое руководство для последних стабильных версий Theano и Keras. Используя их вместе, мы получаем одну из самых простых и быстрых конфигураций для глубокого обучения работающую под Windows.
Если вы решили сделать установку данной конфигурации Deep Learning на Windows 10, то это статья для вас.
Зависимости
Это полный список инструментов и библиотек, которые мы используем для глубокого обучения в Windows 10:
- Visual Studio 2013 Community Edition Update 4
- Используется как компилятор C/C++ (не как IDE)
- CUDA 7.5.18 (64-bit)
- Необходима для поддержки математических библиотек, использующих GPU. Также нам нужны драйвера видеокарты и компилятор CUDA
- MinGW-w64 (5.3.0)
- Нужен как Unix компилятор и средство сборки (g++/gcc, make. ) под Windows
- Anaconda (64-bit) и Python 2.7 (Anaconda2-4.1.0)
- Дистрибутив Python, который нам поможет установить NumPy, SciPy и другие научные библиотеки
- Theano 0.8.2
- Используется для работы с математическими выражениями и многомерными массивами
- Keras 1.0.5
- Используется для глубокого обучения (Deep Learning), работающего поверх Theano
- OpenBLAS 0.2.14 (Опционально)
- Оптимизированные реализации многих алгоритмов линейной алгебры
- cuDNN v5
- Используется для ускорения работы сверточных нейронных сет
Оборудование
- Dell Precision T7500, 96GB RAM
- Intel Xeon E5605 @ 2.13 GHz (2 процессора 8 ядер)
- NVIDIA GeForce Titan X, 12GB RAM
- Версия драйвера: 10.18.13.5390 Beta (ForceWare 353.90) / Win 10 64
Установка
Мы будем устанавливать наши инструменты и библиотеки в c:\toolkits.
Visual Studio 2013 Community Edition Update 4
Вы можете скачать Visual Studio 2013 Community Edition отсюда. Да, мы знаем, что есть Visual Studio 2015 Community Edition, но для CUDA необходима версия VS 2013:
Поэтому убедитесь, что у вас установлена VS 2013. Затем добавьте C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin к вашему PATH.
CUDA 7.5.18 (64-bit)
Скачайте CUDA 7.5 (64-bit) с сайта Nvidia.
Выберете целевую платформу:
Загрузите установочный файл:
Запустите программу установки. В данном случае установщик не позволяет выбирать, куда будет устанавливать свои файлы. CUDA устанавливается в C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5.
После установки переместите файлы в C:\toolkits\cuda-7.5.18 и обновите PATH следующим образом:
- Необходимо определить системную переменную среды с именем CUDA_HOME значением C:\toolkits\cuda-7.5.18
- Добавить %CUDA_HOME%\libnwp и %CUDA_HOME%\bin в PATH
MinGW-w64 (5.3.0)
Установите его в C:\toolkits\mingw-w64-5.3.0 со следующими параметрами:
- Определите системную переменную MINGW_HOME в значение c:\toolkits\mingw-w64-5.3.0
- Добавьте %MINGW_HOME%\mingw64\bin в PATH
Выполните следующие действия, чтобы убедиться, что все необходимые инструменты находятся в системе:
Результаты должны быть примерно такие:
Anaconda (64-bit) с Python 2.7 (Anaconda2-4.1.0)
Загрузите Anaconda отсюда и установите в c:\toolkits\anaconda2-4.1.0:
Внимание: Мы используем Anaconda на базе Python 2.7, возможно для вас лучшим вариантом будет использование Python 3.5.
- Определите системную переменную PYTHON_HOME в значение c:\toolkits\anaconda2-4.1.0
- Добавьте %PYTHON_HOME%, %PYTHON_HOME%\Scripts и %PYTHON_HOME%\Library\bin в PATH
После установки Anaconda запустите командную строку MINGW64 и выполните:
Боковая панель
НАЧАЛО РАБОТЫ
МОДЕЛИ
ПРЕДОБРАБОТКА
ПРИМЕРЫ
Keras: библиотека глубокого обучение на Python
Вы только что открыли для себя Keras.
Keras — это библиотека глубокого обучения, представляющая из себя высокоуровневый API, написанный на Python и способный работать поверх TensorFlow, Theano или CNTK. Он был разработан с расчетом на быстрое обучение. Способность переходить от гипотез к результаты с наименьшими временными затратами является ключом к проведению успешных исследований.
Используйте Keras, если Вам нужна библиотека глубокого обучения, которая:
- позволяет легко и быстро создавать прототипы (благодаря удобству, модульности и масштабированию);
- поддерживает как сверточные и рекуррентные сети, так и их комбинации;
- без проблем работает как на процессоре (CPU), так и на графическом процессоре (GPU).
Keras совместим с Python 2.7 — 3.6.
Многоуровневый бэкенд Keras и tf.keras.
В настоящее время мы рекомендуем пользователям Keras, которые используют многоуровневый бэкенд Keras с бэкендом TensorFlow, переключиться на tf.keras в TensorFlow 2.0. tf.keras имеет более качественную поддержку и интеграцию с функциями TensorFlow.
Keras 2.2.5 — последняя версия Keras, реализующая API 2.2. и поддерживая только TensorFlow 1 (а также Theano и CNTK).
Текущая версия Keras — Keras 2.3.0, в которой внесены существенные изменения в API и добавлена поддержка TensorFlow 2.0. Версия Keras 2.3.0 будет последней версией многоуровневого бэкенда Keras, который заменяется на tf.keras.
Ошибки многоуровневого бэкенда Keras будут исправляться только до апреля 2020 г. (в качестве небольших изменений версии).
Больше информации о планируемых изменениях Keras смотрите на: the Keras meeting notes.
Основные идеи.
- Удобство для пользователя. Keras — это API, разработанный для людей, а не для машин. Это ставит пользовательский опыт в основу всего. Keras использует передовые методы снижения когнитивной нагрузки: он предлагает согласованный и простой API, минимизирует количество действий пользователя, необходимых для решения распространенных задач, предоставляет четкую и действенную обратную связь в случае возникновения ошибок.
- Модульность. Под моделью понимается последовательность или граф автономных, полностью сконфигурированных модулей, которые могут быть подключены без каких-либо дополнительных ограничений. Например нейронные слои, функции ошибки, оптимизаторы, схемы инициализации, функции активации и схемы регуляризации — все это отдельные модули, которые можно комбинировать для создания модели.
- Расширяемость. Новые модули легко добавлять (так же как новые классы и функции), а существующую модули предоставляют достаточное количество подобных примеров. Возможность добавлять новые модули делает Keras максимально привлекательным средством для проведения передовых исследований.
- Работа в Python. Все модели написаны на Python, благодаря чему код компактен, легко читается и отлаживается, а также легко расширяется.
Первые шаги: 30 секунд до Keras.
Базовая структура данных библиотеки Keras — это модель, описывающая способ организации слоев. Простейшим типом модели является модель Sequential, представляющая собой линейный стек слоев. Для более сложных архитектур вы должны использовать функциональное программирование (Keras functional API), которое позволяет строить произвольные графы слоев.