一、導讀

    1、window10 python環境Anaconda 安裝

    2、keras安裝

    3、tensorflow安裝

    4、eclipse python開發外掛PyDev安裝，配置

    5、keras卷積神經網路對手寫數字識別

二、環境安裝

    1、Anaconda 

    Anaconda指的是一個開源的Python發行版本，其包含了conda、Python等180多個科學包及其依賴項。功能非常齊全。

    下載地址：https://www.anaconda.com/distribution/#download-section

    下載安裝

    安裝成功後，配置環境變數，開啟cmd，用命令python --version檢視版本號

    其中，環境變數非常重要，ssl的環境變數必須配置，否則使用pip時會出現異常（pip is configured with locations that require TLS/SSL, however the ssl module in Python is not  available. ）

    特別說明：安裝之後，可能有些包是有問題的，例如：matplotlib和Pillow沒法正常使用，會出現如下異常

  File "E:\Program Files\Anaconda3\lib\site-packages\matplotlib\pyplot.py", line 32, in <module>
    import matplotlib.colorbar
  File "E:\Program Files\Anaconda3\lib\site-packages\matplotlib\colorbar.py", line 32, in <module>
    import matplotlib.contour as contour
  File "E:\Program Files\Anaconda3\lib\site-packages\matplotlib\contour.py", line 18, in <module>
    import matplotlib.font_manager as font_manager
  File "E:\Program Files\Anaconda3\lib\site-packages\matplotlib\font_manager.py", line 48, in <module>
    from matplotlib import afm, cbook, ft2font, rcParams, get_cachedir
ImportError: DLL load failed: 找不到指定的模組。
 

    這時候，跟到異常的程式碼行，看哪些庫是沒有正常依賴進來的，重新安裝即可。可以類推如下的操作，來進行

   pip uninstall matplotlib

    pip install matplotlib

    pip uninstall Pillow

    pip install Pillow

2、keras安裝

    使用如下命令安裝：

    pip install keras

 3、安裝tensorflow

   由於keras本身不提供執行，它依賴於其他的運算引擎，例如TensorFlow、Theano、CNTK等，這裡，我們安裝TensorFlow作為keras的backend。

   用如下命令安裝：

   Tensorflow有cpu版和gpu版

    cpu版：pip install --user --ignore-installed --upgrade tensorflow

    gpu版：pip install --user --ignore-installed --upgrade tensorflow-gpu

    這裡，安裝的是cpu版，--user引數是因為有許可權問題，所以加上

    4、eclipse PyDev外掛安裝

    （1）、開啟eclipse，Help->Eclipse Marketplace，搜尋選擇PyDev，安裝

    （2）、配置eclipse開發環境

        window->preferences->PyDev->interpreters->Python Interpreter

    配置完成點確定即可，便可以在eclipse上開發python程式了，和開發java一樣，非常方便。

三、Keras卷積神經網路進行mnist手寫數字識別

    1、先載入資料集

    (x_train, y_train), (x_test, y_test) = mnist.load_data()

   說明： mnist.load_data()如果本地沒有，在會去下載資料集

    列印一下x_train的shape，看看資料集有哪些東西

    print(x_train.shape)

    2、展示樣本的圖片

#將畫板分為1行2列,本幅圖位於第一個位置
plt.subplot(1,2,1)
# 列印兩個個樣本
plt.imshow(x_train[5], cmap='gray')
plt.subplot(1,2,2)
plt.imshow(x_train[10], cmap='gray')
plt.show()

    3、疊一個CNN網路

model = Sequential()
model.add(Conv2D(32, kernel_size=(5, 5), activation='relu', input_shape=(img_x, img_y, 1)))
model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Conv2D(64, kernel_size=(5, 5), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(10, activation='softmax'))

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

    和之前用dl4j疊CNN一樣，《有趣的卷積神經網路》

    4、完整的程式碼

from keras.datasets import mnist
from keras.layers import Conv2D, MaxPool2D
from keras.layers import Dense, Flatten
from keras.models import Sequential
from keras.utils import to_categorical

import matplotlib.pyplot as plt



(x_train, y_train), (x_test, y_test) = mnist.load_data()

print(x_train.shape)

#將畫板分為1行2列,本幅圖位於第一個位置
plt.subplot(1,2,1)
# 列印兩個個樣本
plt.imshow(x_train[5], cmap='gray')
plt.subplot(1,2,2)
plt.imshow(x_train[10], cmap='gray')
plt.show()

img_x, img_y = 28, 28
x_train = x_train.reshape(x_train.shape[0], img_x, img_y, 1)
x_test = x_test.reshape(x_test.shape[0], img_x, img_y, 1)

x_train = x_train.astype('float32')/255
x_test = x_test.astype('float32')/255


y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

model = Sequential()
model.add(Conv2D(32, kernel_size=(5, 5), activation='relu', input_shape=(img_x, img_y, 1)))
model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Conv2D(64, kernel_size=(5, 5), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(10, activation='softmax'))

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, batch_size=128, epochs=1)

score = model.evaluate(x_test, y_test)
print('accuracy', score[1])

    5、執行結果

    eclipse run as  Python Run，迭代1個批次的結果如下。（當然，在eclipse中也可以debug除錯python程式）