Python keras示例不'；行不通

我试图研究Keras库，并尝试从

然后我犯了这个错误

---

我使用amd gpu、Python3.5和keras在最新版本中运行windows 10 64位。错误清楚地表明它找不到g++.exe。TeaNo需要C++编译器来生成和编译C++代码，以加速代码的执行，但是看起来你没有这样的编译器。

---

所以要么安装G++（可能是从一个明文安装），然后在TeaNo的配置中配置G++.exe二进制路径，或者禁用TeaNo的C++代码生成器。在

< P>不幸的是，Keras和TeaNo在Windows上使用Python 3不太好。你的问题与你必须将Lypython库添加到C++ Windows编译器中并将其与Python安装连接起来的事实相关联，安装Python 3.5时可能会相当苛刻。我宁愿建议您将其安装在Python2上。在这里，您有一个具体的操作说明：

---

教程：在Windows 7、8、10上安装 各位好,

这篇文章是关于Windows7、8和10安装Theano的分步教程。它使用Theano、CUDA和Anaconda

Anaconda是python的包管理器，它简化了python环境的设置和依赖项的安装。如果你真的不想使用水蟒，请查看我以前的帖子

让我们开始吧：

确保您的计算机具有兼容的CUDA图形卡：

下载CUDA（我下载了CUDA 7.5）

下载时，请前往Visual Studio 2013（社区版）。下载和安装，这将安装需要的C++编译器在这里的几个注释，我的安装需要7GB，并花费20分钟来安装CUDA安装7分钟笔记：NVIST将不会安装旧版本的Visual Studio如果你没有它们，没有担心< /P> < /LI>

我重新启动了这毕竟是windows

选中CUDA导航到C:\ProgramData\NVIDIA Corporation\CUDA Samples\v7.0\1_Utilities\deviceQuery并打开vs2013.sln文件 使用CTRL+F5运行设备检查并保持cmd窗口打开 确保你通过了考试，否则就有问题了

下载并安装Anaconda。Python3.5安装程序可以很好地安装它，它将需要一段时间~5-10分钟

下载Theano ，下载右下角的Zip 提取

打开命令提示符 设置使用python 3.5的新conda环境 conda create-n name_of_your_环境python=3.5

激活conda环境并安装依赖项 激活您的\u环境的\u名称 conda安装numpy scipy mingw libpython

导航至无解压缩文件夹/a无主文件夹

使用python setup.py安装此自动使用2to3转换

我们需要添加一些系统变量

右键单击计算机->属性->高级系统设置->环境变量

添加新的系统变量

Name=THEANO_标志

Value=floatX=float32，device=gpu，nvcc.fastmath=True

还将VisualStudio的C++编译器添加到路径

添加；路径到您的VSInstallation\VC\bin\

最终检查

打开另一个CMD提示符（您需要关闭旧提示符，因为它没有系统变量）

激活您的\u环境的\u名称

蟒蛇

进口茶

你应该看到类似的东西

使用gpu设备0:Quadro K1100M（禁用CNMeM） 现在，您可以在激活conda环境时使用Theano

注意：对于pycharm用户，pycharm不会自动为您激活conda环境（此处提交的bug）。您只需创建一个包含以下内容的.bat文件： 调用激活环境名称 路径\u到\u pycharm\bin\pycharm64.exe

对我来说，Windows8.1就像一个魅力

---

全部归功于：

这是windows特有的吗？我在Linux上使用了Keras/Theano和python3，效果非常好。是的，它是Windows特有的。有一次，我花了一个多星期的时间试图在Python3旁边安装Theano/Keras。我发现这是因为mingwpython库中的更改。默认Windows编译器和Python C/C++库的一致性存在一些问题。如果您可以只安装Python2，那么就不值得花太多时间关注它。

'''Trains a simple deep NN on the MNIST dataset.
Gets to 98.40% test accuracy after 20 epochs
(there is *a lot* of margin for parameter tuning).
2 seconds per epoch on a K520 GPU.
'''

from __future__ import print_function
import numpy as np
np.random.seed(1337)  # for reproducibility

from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.optimizers import SGD, Adam, RMSprop
from keras.utils import np_utils


batch_size = 128
nb_classes = 10
nb_epoch = 20

# the data, shuffled and split between train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()

X_train = X_train.reshape(60000, 784)
X_test = X_test.reshape(10000, 784)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)

model = Sequential()
model.add(Dense(512, input_shape=(784,)))
model.add(Activation('relu'))
model.add(Dropout(0.2))
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.2))
model.add(Dense(10))
model.add(Activation('softmax'))

model.summary()

model.compile(loss='categorical_crossentropy',
              optimizer=RMSprop(),
              metrics=['accuracy'])

history = model.fit(X_train, Y_train,
                    batch_size=batch_size, nb_epoch=nb_epoch,
                    verbose=1, validation_data=(X_test, Y_test))
score = model.evaluate(X_test, Y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])