基于Anaconda的Keras开发环境搭建，开发工具Pycharm

开发环境

Windows版本：Win11
Anaconda版本：conda 24.11.3
python版本:3.6
TenslowFlow版本:1.15.0
Keras版本:2.2.5
Pycharm版本 PyCharm 2024.1 (Professional Edition)

Anaconda安装

Anaconda安装相对简单，具体安装教程可以参照下面网址：
https://blog.csdn.net/Mr_Chp/article/details/146642019

Conda虚拟环境创建

Conda介绍

Conda 是一个开源的包管理和环境管理工具，专为数据科学、机器学习和科学计算设计。它可以帮助开发者轻松安装、管理和切换不同版本的软件包及环境，解决依赖冲突问题。以下是 Conda 的核心特性和用法：
Conda 的核心功能
包管理：安装、更新、删除软件包（支持 Python 和非 Python 包）。
环境管理：创建独立的虚拟环境，隔离不同项目的依赖（如 Python 版本、库版本）。
跨平台支持：支持 Windows、macOS 和 Linux。
多语言支持：不仅限于 Python，还支持 R、C/C++ 等语言的包管理。
隔离项目环境：为每个项目创建独立环境，避免版本冲突。
我的理解是Conda提供一个虚拟环境，每个环境都有独立空间，每个空间可以安装不同版本的Python以及对应的依赖库，说白了现在开源软件版本太多了，需要一个工具来管理，否则开发环境的搭建能把你耗死。

Conda创建虚拟环境

在开始窗口中搜索输入A, 根据提示选址Anaconda Prompt

在弹出的终端中输入conda create -n keras python=3.6，在Proceed处输入y, 即可创建python3.6的虚拟环境
创建完成后，继续在终端当前终端输入 conda activate keras， 注意下图红框处标注，虚拟环境从base切换到keras

继续在终端处输入python --version，可以看到python的版本，说明我们的虚拟环境创建成功了。

虚拟环境文件夹可以在Anaconda_envs/env查看。Anaconda_envs根据你安装Anaconda来决定

TenslowFlow安装和Keras安装

在终端输入

pip install tensorflow==1.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

等待安装完成

在终端输入python,确认tensorflow的版本

同理输入如下命令，可以完成keras的安装

pip install keras==2.2.5 -i https://pypi.tuna.tsinghua.edu.cn/simple

Pycharm安装及配置

Pycharm安装及激活请参照下面的文章

https://www.cnblogs.com/feihu1024/p/18554672

Pycharm配置开发环境

打开Pycharm后，点击新建项目

参照下图 配置Pycharm环境，第一次配置时间有点长，请耐心等待。

Pycharm开发环境验证

1.项目中新建test.py文件
2.在文件中输入两条指令

import tensorflow as tf
print(tf.__version__)

3. 确认tensorflow版本是否正确
   

示例程序

示例程序采用手写数字识别，具体开发流程请参照下面链接
https://geek.csdn.net/658a817c28cf1d21b51fc8c0.html?dp_token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJpZCI6MTc1NzUwMywiZXhwIjoxNzQ1OTEyODExLCJpYXQiOjE3NDUzMDgwMTEsInVzZXJuYW1lIjoid2VpeGluXzQwNzY3MTM4In0.USE01G7CXZTONHIgPr0SklqUJNLudfLxfXjkq0246CM&spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Eactivity-1-121420268-blog-134472787.235%5Ev43%5Epc_blog_bottom_relevance_base9&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Eactivity-1-121420268-blog-134472787.235%5Ev43%5Epc_blog_bottom_relevance_base9&utm_relevant_index=1

因开发环境差异，代码修改如下

from keras.datasets import mnist
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.metrics import confusion_matrix
import seaborn as sns
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from keras.utils import np_utils
from keras.utils.vis_utils import plot_model
import tensorflow as tf
import os
import keras

config = tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.compat.v1.Session(config=config)

# 设定随机数种子，使得每个网络层的权重初始化一致
# np.random.seed(10)

# x_train_original和y_train_original代表训练集的图像与标签, x_test_original与y_test_original代表测试集的图像与标签
(x_train_original, y_train_original), (x_test_original, y_test_original) = mnist.load_data()

"""
数据可视化
"""

# 单张图像可视化
def mnist_visualize_single(mode, idx):
    if mode == 0:
        plt.imshow(x_train_original[idx], cmap=plt.get_cmap('gray'))
        title = 'label=' + str(y_train_original[idx])
        plt.title(title)
        plt.xticks([])  # 不显示x轴
        plt.yticks([])  # 不显示y轴
        plt.show()
    else:
        plt.imshow(x_test_original[idx], cmap=plt.get_cmap('gray'))
        title = 'label=' + str(y_test_original[idx])
        plt.title(title)
        plt.xticks([])  # 不显示x轴
        plt.yticks([])  # 不显示y轴
        plt.show()

# 多张图像可视化
def mnist_visualize_multiple(mode, start, end, length, width):
    if mode == 0:
        for i in range(start, end):
            plt.subplot(length, width, 1 + i)
            plt.imshow(x_train_original[i], cmap=plt.get_cmap('gray'))
            title = 'label=' + str(y_train_original[i])
            plt.title(title)
            plt.xticks([])
            plt.yticks([])
        plt.show()
    else:
        for i in range(start, end):
            plt.subplot(length, width, 1 + i)
            plt.imshow(x_test_original[i], cmap=plt.get_cmap('gray'))
            title = 'label=' + str(y_test_original[i])
            plt.title(title)
            plt.xticks([])
            plt.yticks([])
        plt.show()
        
# 原始数据量可视化
print('训练集图像的尺寸：', x_train_original.shape)
print('训练集标签的尺寸：', y_train_original.shape)
print('测试集图像的尺寸：', x_test_original.shape)
print('测试集标签的尺寸：', y_test_original.shape)

"""
数据预处理
"""
# 从训练集中分配验证集
x_val = x_train_original[50000:]
y_val = y_train_original[50000:]
x_train = x_train_original[:50000]
y_train = y_train_original[:50000]
# 打印验证集数据量
print('验证集图像的尺寸：', x_val.shape)
print('验证集标签的尺寸：', y_val.shape)
print('======================')

# 将图像转换为四维矩阵(nums,rows,cols,channels), 这里把数据从unint类型转化为float32类型, 提高训练精度。
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1).astype('float32')
x_val = x_val.reshape(x_val.shape[0], 28, 28, 1).astype('float32')
x_test = x_test_original.reshape(x_test_original.shape[0], 28, 28, 1).astype('float32')

# 原始图像的像素灰度值为0-255，为了提高模型的训练精度，通常将数值归一化映射到0-1。
x_train = x_train / 255
x_val = x_val / 255
x_test = x_test / 255

print('训练集传入网络的图像尺寸：', x_train.shape)
print('验证集传入网络的图像尺寸：', x_val.shape)
print('测试集传入网络的图像尺寸：', x_test.shape)

# 图像标签一共有10个类别即0-9，这里将其转化为独热编码（One-hot）向量
y_train = np_utils.to_categorical(y_train)
y_val = np_utils.to_categorical(y_val)
y_test = np_utils.to_categorical(y_test_original)

"""
定义网络模型
"""

def CNN_model():
    model = Sequential()
    model.add(Conv2D(filters=16, kernel_size=(5, 5), activation='relu', input_shape=(28, 28, 1)))
    model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
    model.add(Conv2D(filters=32, kernel_size=(5, 5), activation='relu', input_shape=(28, 28, 1)))
    model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
    model.add(Flatten())
    model.add(Dense(100, activation='relu'))
    model.add(Dense(10, activation='softmax'))

    print(model.summary())
    return model

"""
训练网络
"""
model = CNN_model()

# 模型网络结构图输出
# plot_model(model, to_file='CNN_model.png', show_shapes=True, show_layer_names=True, rankdir='TB')
# plt.figure(figsize=(10, 10))
# img = plt.imread('CNN_model.png')
# plt.imshow(img)
# plt.axis('off')
# plt.show()

# 编译网络（定义损失函数、优化器、评估指标）
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 开始网络训练（定义训练数据与验证数据、定义训练代数，定义训练批大小）
train_history = model.fit(x_train, y_train, validation_data=(x_val, y_val), epochs=20, batch_size=32, verbose=2)

# 模型保存
model.save('handwritten_numeral_recognition.h5')

# 定义训练过程可视化函数（训练集损失、验证集损失、训练集精度、验证集精度）
def show_train_history(train_history, train, validation):
    plt.plot(train_history.history[train])
    plt.plot(train_history.history[validation])
    plt.title('Train History')
    plt.ylabel(train)
    plt.xlabel('Epoch')
    plt.legend(['train', 'validation'], loc='best')
    plt.show()

show_train_history(train_history, 'acc', 'val_acc')
show_train_history(train_history, 'loss', 'val_loss')

# 输出网络在测试集上的损失与精度
score = model.evaluate(x_test, y_test)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

# 测试集结果预测
predictions = model.predict(x_test)
predictions = np.argmax(predictions, axis=1)
print('前20张图片预测结果：', predictions[:20])

# 预测结果图像可视化
def mnist_visualize_multiple_predict(start, end, length, width):
    for i in range(start, end):
        plt.subplot(length, width, 1 + i)
        plt.imshow(x_test_original[i], cmap=plt.get_cmap('gray'))
        title_true = 'true=' + str(y_test_original[i])
        title_prediction = ',' + 'prediction' + str(model.predict_classes(np.expand_dims(x_test[i], axis=0)))
        title = title_true + title_prediction
        plt.title(title)
        plt.xticks([])
        plt.yticks([])
    plt.show()
    
mnist_visualize_multiple_predict(start=0, end=20, length=5, width=4)
# 混淆矩阵
cm = confusion_matrix(y_test_original, predictions)
cm = pd.DataFrame(cm)
class_names = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']

def plot_confusion_matrix(cm):
    plt.figure(figsize=(10, 10))
    sns.heatmap(cm, cmap='Oranges', linecolor='black', linewidth=1, annot=True, fmt='', xticklabels=class_names,
                yticklabels=class_names)
    plt.xlabel("Predicted")
    plt.ylabel("Actual")
    plt.title("Confusion Matrix")
    plt.show()

plot_confusion_matrix(cm)

运行上述代码，会弹出如下报错

这是因为在keras开发环境中缺少相关库，此时需要回到keras环境安装缺失库即可，切记需要在keras环境下安装。安装后，回到Pycharm页，相关报错即会取消。

参考文献

https://blog.csdn.net/wertyuiopzz/article/details/146503290
https://blog.csdn.net/weixin_46363826/article/details/135229913?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-1-135229913-blog-95733647.235%5Ev43%5Epc_blog_bottom_relevance_base9&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-1-135229913-blog-95733647.235%5Ev43%5Epc_blog_bottom_relevance_base9&utm_relevant_index=1
https://www.cnblogs.com/feihu1024/p/18554672
https://geek.csdn.net/658a817c28cf1d21b51fc8c0.html?dp_token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJpZCI6MTc1NzUwMywiZXhwIjoxNzQ1OTEyODExLCJpYXQiOjE3NDUzMDgwMTEsInVzZXJuYW1lIjoid2VpeGluXzQwNzY3MTM4In0.USE01G7CXZTONHIgPr0SklqUJNLudfLxfXjkq0246CM&spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Eactivity-1-121420268-blog-134472787.235%5Ev43%5Epc_blog_bottom_relevance_base9&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Eactivity-1-121420268-blog-134472787.235%5Ev43%5Epc_blog_bottom_relevance_base9&utm_relevant_index=1