Install
由于 R 的安装命令 install_keras() 会创建新的 conda environment r-tensorflow，
需首先确认 conda 在当前系统路径下：
$ whereis conda
conda: /home/leo/apps/miniconda3/bin/conda
$ cat ~/.zshenv
...
export PATH="$HOME/apps/miniconda3/bin:$PATH"
在 R console 中运行：
chooseCRANmirror() # choose the mirror in Beijing
install.packages('curl') # if it's not installed yet
install.packages('keras')
Sys.setenv(http_proxy='http://localhost:1080') # tensorflow download site is blocked
Sys.setenv(https_proxy='http://localhost:1080')
library(keras)
install_keras()
这里 install_keras() 是幂等的，如果安装失败了（例如网络不通），可以再次安装。
为 conda 环境添加 IPython:
. activate r-tensorflow
conda install ipython
Verify in R console
执行下面的脚本验证 keras 和 tensorflow 安装成功（来自 R interface to Keras）：
$ . activate r-tensorflow
$ R
Sys.setenv(http_proxy='http://localhost:1080') # dataset download site is blocked
Sys.setenv(https_proxy='http://localhost:1080')
library(keras)
mnist <- dataset_mnist()
x_train <- mnist$train$x
y_train <- mnist$train$y
x_test <- mnist$test$x
y_test <- mnist$test$y
# reshape
dim(x_train) <- c(nrow(x_train), 784)
dim(x_test) <- c(nrow(x_test), 784)
# rescale
x_train <- x_train / 255
x_test <- x_test / 255
y_train <- to_categorical(y_train, 10)
y_test <- to_categorical(y_test, 10)
model <- keras_model_sequential()
model %>%
layer_dense(units = 256, activation = "relu", input_shape = c(784)) %>%
layer_dropout(rate = 0.4) %>%
layer_dense(units = 128, activation = "relu") %>%
layer_dropout(rate = 0.3) %>%
layer_dense(units = 10, activation = "softmax")
summary(model)
model %>% compile(
loss = "categorical_crossentropy",
optimizer = optimizer_rmsprop(),
metrics = c("accuracy")
)
history <- model %>% fit(
x_train, y_train,
epochs = 30, batch_size = 128,
validation_split = 0.2
)
plot(history)
model %>% evaluate(x_test, y_test,verbose = 0)
model %>% predict_classes(x_test)
Run Keras and Tensorflow in RStudio
不做任何预处理情况下，在 RStudio 中执行上面的脚本，
执行到 mnist <- dataset_mnist() 时报 找不到keras模块 错误，
这是由于 RStudio 中默认的 Python 环境不是 keras 包连接的 tensorflow backend 使用的环境，
并且由于 conda 并没有出现在系统级 $PATH 中（通过 Sys.getenv('PATH')确认），
导致 RStudio 中执行 use_condaenv('r-tensorflow') 并不会生效（尽管也没有报错）。
解决方法是手工调整 $PATH 中路径的内容和顺序，保证按 tensorflow > conda > system 顺序排列：
Sys.setenv(PATH=paste('/home/leo/apps/miniconda3/envs/r-tensorflow/bin:/home/leo/apps/miniconda3/bin', Sys.getenv('PATH'), sep = ':'))
再执行上面 R console 中的验证脚本（不需要执行 use_condaenv() 函数）。
相比在 R console 中执行代码，在 RStudio 中做深度学习可以在 Viewer 窗口中实时观察 模型训练进展。
如果仍然报错，可以手工加载 conda 路径到 $PATH 中，执行 use_condaenv()，
再手工调整 $PATH 中路径顺序，并用 reticulate 包提供的 py_config() 验证：
Sys.setenv(PATH=paste('/home/leo/apps/miniconda3/bin', Sys.getenv('PATH'), sep = ':'))
library(reticulate)
use_condaenv('r-tensorflow')
# fix path order error:
Sys.setenv(PATH='/home/leo/apps/miniconda3/envs/r-tensorflow/bin:/home/leo/apps/miniconda3/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/usr/games:/usr/local/games:/home/leo/.local/bin')
py_config() # verify
Note:
如果在 RStudio 中执行 system('conda env list')，
会发现当前 conda 环境仍然是 base，
这是由于 system() 函数中的系统环境不是 keras 包连接的 tensorflow backend 使用的环境，
所以用 system('. activate r-tensorflow') 加载环境也是无效的。