1. 安装 Anaconda

打开 Anaconda 的官方下载地址：/download/

选择 Python 对应的version 下载。下载完成后直接运行 Anaconda 的安装文件，按照提示一步一步安装就可以了。

安装：

安装路径我直接默认的C盘，安装过程一路next.

在Installation Options一步中，我按照官网说明，没有选择Add Anaconda to my PATH environment variable。

官方安装教程：/anaconda/install/windows

安装完成后，配置path变量。

右键我的电脑->属性->高级选项->环境变量->系统变量->path->在path中添加路径：需要添加的有三个，分别为：

~\Anaconda3

~\Anaconda3\Scripts

~\Anaconda3\Library\bin

以我配置的环境变量为例：

至此，anaconda安装完成。

cmd，输入Python，显示Python版本，说明安装成功，如图。

另：如果已经配置了path的环境变量，仍报错Python不是内部命令，也不是外部命令。关闭Anaconda Prompt，再重新打开，就好了。

2. 创建 tensorflow 的虚拟环境

Python 为不同的项目需求创建不同的虚拟环境非常常见。为了创建我们 keras 的开发环境，首先打开 Anaconda 组件 Anaconda Prompt，这是一个类似 cmd 的界面，便于我们对 Python 库的安装和管理。

打开Anaconda Prompt

先将pip升级到最新版：

python -m pip install --upgrade pip

然后，创建虚拟环境并安装 Python。在 Anaconda Prompt 界面中输入：

conda create --name tensorflow python=3.5.2

出现下图时，输入“y”然后回车：

安装完成后如图所示：

最后，激活并进入到虚拟环境 tensorflow 中：

activate tensorflow

这里，虚拟变量的名称我们取 tensorflow，当然你可以换个名字。Python 版本这里选择 3.5。

3. 安装 TensorFlow

可能有的同学会问我们不是安装 Keras 吗？怎么安装起 TensorFlow 了？这里解释一下。Keras 是一个模型级（model-level）的库，为开发深度学习模型提供了高层次的构建模块。 它不处理张量操作、求微分等低层次的运算。相反，它依赖于一个专门的、高度优化的张量库来完成这些运算，这个张量库就是 Keras 的后端引擎（backend engine），例如 TensorFlow、Theano、CNTK等都可以无缝嵌入到 Keras 中。如下图所示：

所以先要安装 Keras 的后端引擎 TensorFlow，首先需要升级一下你的 pip。同样是在 Anaconda Prompt 中输入以下命令：

python -m pip install -upgrade pip

然后直接使用 pip 安装即可：

pip install tensorflow

#此时会显示正在下载的包：Installing collected packages: six, absl-py, astor, numpy, protobuf, h5py, keras-applications, gast, termcolor, pbr, mock, tensorflow-estimator,keras-preprocessing, werkzeug, grpcio, markdown, tensorboard, tensorflow

如果安装错误，需要用到conda指令：

conda install tensorflow

如果没有报错，表示安装没有问题。进一步验证安装是否成功，在(tensorflow) C:Users\ooo> 输入

Python

在 Python 命令行中输入：

import tensorflow as tf

若没有任何提示，则表明 TensorFlow 安装成功：

4. 安装 Keras

同样，打开Anaconda Prompt，进入tensorflow 虚拟环境，使用 pip 安装 Keras：

pip install keras

如果没有报错，表示安装没有问题。

5. 安装 MinGW:【一定要记住安装这个！！】

最后你还可以安装 MinGW，同样是在虚拟环境 tensorflow 中，输入以下命令：

conda install mingw libpython

1进一步验证整个 Keras 安装是否成功，在(tensorflow) C:Users\ooo> 输入

Python

在 Python 命令行中输入：

import keras

若出现下面提示，则表明 Keras安装成功：

6. 启动 Keras

整个 Keras 安装成功了。那么实际应用中我们如何启动 Keras 呢？因为我习惯了使用 Anaconda 自带的 Jupyter Nootbook

，那么接下来我就教大家使用 Jupyter Notebook 调用 Keras 实例。

因为现在 Anaconda 自带的 Jupyter Notebook 还是整个外部 Python 环境下的，我们之前创建的虚拟环境 tensorflow 并没有 Jupyter Notebook。怎们办？安装一个就好了。

同样在 Anaconda Prompt 中，激活 tensorflow 环境，使用 conda 命令安装，如下所示：

conda install jupyter

非常简单，安装成功之后，就可以在 Anaconda 的工具项里看到 Jupyter Notebook(tensorflow) 了。

点击 Jupyter Notebook(tensorflow)，就可以直接打开 Jupyter Notebook，可以直接在 cell 中导入 Keras 了。

这样就不用每次使用 activate 激活 tensorflow 虚拟环境了。

注：当然你也可以用spyder进行coding的编写啦~~可以在Anaconda Prompt中输入：

>>>activate tensorflow>>>spyder此时便打开spyder界面啦~~

7. Keras 实例

下面，使用 Keras 运行这本书上的一个简单例子，用来对 IMDB 的正负电影评论进行分类。

import kerasfrom keras import modelsfrom keras import layersfrom keras.datasets import imdbimport numpy as np(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)def vectorize_sequences(sequences, dimension=10000):# Create an all-zero matrix of shape (len(sequences), dimension)results = np.zeros((len(sequences), dimension))for i, sequence in enumerate(sequences):results[i, sequence] = 1. # set specific indices of results[i] to 1sreturn results# Our vectorized training datax_train = vectorize_sequences(train_data)# Our vectorized test datax_test = vectorize_sequences(test_data)# Our vectorized labelsy_train = np.asarray(train_labels).astype('float32')y_test = np.asarray(test_labels).astype('float32')model = models.Sequential()model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))model.add(layers.Dense(16, activation='relu'))model.add(layers.Dense(1, activation='sigmoid'))pile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['acc'])model.fit(x_train, y_train, epochs=4, batch_size=512)result = model.evaluate(x_test, y_test)print(result)

最后结果，测试集的分类准确率达到了 88.3%。

8. 结语

本文介绍的 Keras 的 CPU 版本的安装，本书的作者推荐大家尽可能使用 GPU 版本，提高运算速度。我跑完本书的代码发现，CPU 版本下某些模型的训练时间还是比较长的。例如使用 VGG 预训练模型，对 Kaggle 猫狗分类问题进行训练，并微调 VGG 顶层参数，整个训练时间达到了 5 个小时左右。

如果安装 GPU 版本，需要额外安装 CUDA Toolkit + cuDNN。需要特别注意的是 CUDA+cuDNN 的版本。因为每个人的 GPU 显卡型号和安装版本不尽相同，所以本文不再赘述，需要的话，我们下次再专门介绍以下 GPU 版本的安装。

没有 GPU，本书的代码基本也能跑得通，就是大型模型的训练速度比较慢。

如果有小伙伴对 GPU 版本的 Keras 安装有好的方法，欢迎留言！

参考文献：/zeroingToOne/p/8407059.html

参考网址：

知乎[深度学习] Anaconda下TensorFlow + Keras配置指南:/p/36551413

Windows10 同时安装tensorflow gpu版和cpu版：/jizhidexiaoming/article/details/81067874

9.推荐书目：

《Python Deep Learning》这本书。该书是由 Keras 作者写的，所以全书基本围绕着 Keras 讲深度学习的各种实现，从 CNN，RNN 到 GAN 等，偏入门，但理论和实战部分都讲的还不错，承载着很多作者对深度学习整体性的思考。目前该书的中英文版包括源码见下面的链接：

链接：/s/1kTTGpzQo-p5ZfeSI6HlbEA

提取码：mnz9