DarkMatter in Cyberspace
  • Home
  • Categories
  • Tags
  • Archives

Install Tensorflow and Keras on Ubuntu


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。



Published

Sep 12, 2018

Last Updated

Sep 19, 2018

Category

Tech

Tags

  • keras 3
  • tensorflow 3
  • ubuntu 61

Contact

  • Powered by Pelican. Theme: Elegant by Talha Mansoor