在 android phone 的 linux 里面跑 keras

最新推荐文章于 2024-11-16 16:25:30 发布

ONE_SIX_MIX

最新推荐文章于 2024-11-16 16:25:30 发布

阅读量265

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/ONE_SIX_MIX/article/details/79762447

本文介绍如何在小米5手机的Debian环境下通过Theano+Keras进行深度学习应用部署的过程。文章详细记录了安装流程及注意事项，并提供了一个简单的MNIST数据集分类实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

手机：小米5
linux环境：debian-testing
app：linux-deploy 2.0.1
网络：theano + keras

本来想弄tensorflow + tensorlayer的，无奈，github 上找不到合适的 tensorflow 包，按照 tensorflow on raspberry pi 的编译方式在手机上编译，又空间不够，在电脑上尝试交叉编译，结果。。。没办法只能换 backend 了，尝试安装 theano ，
没想到 pip 上居然有这个包，然后就开始尝试 theano + keras

嗯。。。成功是成功了，速度跟预料的一样。。。真的很慢。。。

好吧，开始 theano + keras 安装流程

sudo apt install python3-numpy python3-scipy python3-six python3-pandas
pip3 install –no-deps theano
pip3 install –no-deps keras
pip3 install pyyaml
执行 python -c “import keras”
执行 vim ~/.keras/keras.json
把 tensorflow 改成 theano，保存退出
你的 keras 正常工作了！赶紧跑个例程试试

解释一下，为什么不直接
pip3 install theano
pip3 install keras
因为
pip3 install theano 和 pip3 install keras 会自动安装依赖包 scipy，因为pip3 install scipy包安装会容易失败，
即使 apt install python3-scipy 后，仍然会重复安装 scipy 包，所以使用
pip3 install –no-deps theano 和 pip3 install –no-deps keras 来阻止自动安装 scipy 包
但是这样也会阻止安装其他依赖包，所以必须手动安装其他依赖包

附注1：pip3 install scipy 需要手动安装很多其他库，出错时错误信息也不怎么明显，安装时间很长，虽然有办法安装，但是不如 apt install python3-scipy 方便处理

附带一个简单完整的 keras 例子用来测试

import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
# from keras import backend as K
batch_size = 32
num_classes = 10
epochs = 12
(x_train, y_train), (x_test, y_test) = mnist.load_data()
input_shape = (28*28*1,)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train = x_train.reshape(x_train.shape[0], input_shape[0])
x_test = x_test.reshape(x_test.shape[0], input_shape[0])
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')
y_train = keras.utils.np_utils.to_categorical(y_train, num_classes)
y_test = keras.utils.np_utils.to_categorical(y_test, num_classes)
model = Sequential()
model.add(Dense(32, input_shape=input_shape, activation='relu'))
model.add(Dropout(0.35))
# model.add(Flatten())
model.add(Dense(32, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))
model.compile(loss=keras.metrics.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs,
          verbose=1, validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])