建立深度学习工作站：在Ubuntu上安装Keras及其依赖
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（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
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
务必用最新的pip3安装，否则会遇到如下问题：
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
.bashrc文件末尾添加上图内容。
前提：装了Python3.6！
3.验证
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/
（2）阿里云：http://mirrors.aliyun.com/pypi/simple/
（3）豆瓣：http://pypi.douban.com/simple/
（4）清华大学：https://pypi.tuna.tsinghua.edu.cn/simple/
五、安装keras
pip3 install keras==2.3.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
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
