Python使用keras和tensorflow遇到的問題及解決

更新時(shí)間：2024年03月28日 10:00:27 作者：dltan

這篇文章主要介紹了Python使用keras和tensorflow遇到的問題及解決方案,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教

腳本文件取名keras報(bào)錯(cuò)

keras已經(jīng)被pip安裝好了，但是仍然無法繼續(xù)使用，嘗試添加函數(shù)，重新安裝keras都沒能成功，最后看到一篇文章上寫的是腳本命名問題，經(jīng)過嘗試后，解決好了這個(gè)問題。

具體報(bào)錯(cuò)記錄如下：

No module named 'keras.datasets'; 'keras' is not a package

解決辦法：

（1）.修改項(xiàng)目腳本中的命名，腳本不能叫keras，否則報(bào)錯(cuò)。

（2）.重新下載keras的包

pip install keras tensorflow==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/ --default-timeout=100

使用過程找不到對(duì)應(yīng)包模塊

使用pip list 發(fā)現(xiàn)對(duì)應(yīng)模塊和安裝包都在，但是無法調(diào)用該模塊

思考過是該包缺少什么函數(shù)或是缺少什么依賴

后在網(wǎng)上找到說是包的版本過高

兼容性問題導(dǎo)致，因此將該包進(jìn)行了升級(jí)

解決了該包模塊無法找到的問題

AttributeError: module 'tensorflow' has no attribute 'get_default_graph'

解決辦法：

將包卸載，找keras和tensorflow匹配版本的包，這里我是將keras的包進(jìn)行了升級(jí)解決

tensorflow-gpu安裝

之前使用過CPU的tensorflow,這次的目的是使用GPU版本的，并要對(duì)tensorflow的可視化進(jìn)行一個(gè)新的展示，完成自己之前在tensorflow的BP和卷積神經(jīng)網(wǎng)絡(luò)的驗(yàn)證。

tensorflow的gpu版本安裝，我先卸載了cpu的tensorflow，理由是網(wǎng)上說如果不刪除，python程序?qū)⒛J(rèn)使用cpu的tensorflow進(jìn)行，在安裝過程中嘗試了30分鐘

最終安裝的解決方法如下：

使用安裝命令為：

pip install tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple/ --default-timeout=100

D:\Python\python_data2_project>pip install tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple/ --default-timeout=100

tensorflow和keras的案例運(yùn)行

下面代碼是摘自網(wǎng)絡(luò)，成功運(yùn)行如下：

import numpy as np
import os
import tensorflow
from keras.models import Sequential
from keras.layers import Dense
# 隨機(jī)生成一組數(shù)據(jù)
data = np.random.random((1000,100))
# 隨機(jī)生成標(biāo)簽
labels = np.random.randint(2,size=(1000,1))
model = Sequential()
# 添加一層神經(jīng)網(wǎng)絡(luò)
model.add(Dense(32,
          activation='relu',
          input_dim=100))
          # 添加激活函數(shù)（activate function）
model.add(Dense(1, activation='sigmoid'))
# 構(gòu)建模型，定義優(yōu)化器及損失函數(shù)
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])
              # 模型與數(shù)據(jù)一鍵fit
model.fit(data,labels,epochs=10,batch_size=32)
predictions = model.predict(data)

通過上面的損失函數(shù)的最終結(jié)果，可以看出模型的效果并不是很好。

Tensorflow的GPU設(shè)置運(yùn)行

電腦顯卡類型不支持，暫時(shí)未進(jìn)行驗(yàn)證，后續(xù)持續(xù)驗(yàn)證

http://www.dbjr.com.cn/python/318776btb.htm

繪制損失函數(shù)

hist=model.fit(data,labels,epochs=10,batch_size=32)
plt.plot(hist.history['accuracy'],label="accuracy")
plt.plot(hist.history['loss'],label="loss")
plt.legend(loc=0, ncol=1)   # 參數(shù)：loc設(shè)置顯示的位置，0是自適應(yīng)；ncol設(shè)置顯示的列數(shù)
plt.show()