1. 安裝 Anaconda
打開 Anaconda 的官方下載地址：https://www.anaconda.com/download/
選擇 Python 對應的version 下載。下載完成後直接運行 Anaconda 的安裝文件，按照提示一步一步安裝就可以了。
安裝：
安裝路徑我直接默認的C盤，安裝過程一路next.
在Installation Options一步中，我按照官網說明，沒有選擇Add Anaconda to my PATH environment variable。
官方安裝教程：https://docs.anaconda.com/anaconda/install/windows
安裝完成後，配置path變量。
右鍵我的電腦->屬性->高級選項->環境變量->系統變量->path->在path中添加路徑：需要添加的有三個，分別爲：
~\Anaconda3
~\Anaconda3\Scripts
~\Anaconda3\Library\bin
以我配置的環境變量爲例：
至此，anaconda安裝完成。
cmd，輸入Python，顯示Python版本，說明安裝成功，如圖。
另：如果已經配置了path的環境變量，仍報錯Python不是內部命令，也不是外部命令。關閉Anaconda Prompt，再重新打開，就好了。
2. 創建 tensorflow 的虛擬環境
Python 爲不同的項目需求創建不同的虛擬環境非常常見。爲了創建我們 keras 的開發環境，首先打開 Anaconda 組件 Anaconda Prompt，這是一個類似 cmd 的界面，便於我們對 Python 庫的安裝和管理。
打開Anaconda Prompt
先將pip升級到最新版：
python -m pip install --upgrade pip
然後，創建虛擬環境並安裝 Python。在 Anaconda Prompt 界面中輸入：
conda create --name tensorflow python=3.5.2
出現下圖時，輸入“y”然後回車：
安裝完成後如圖所示：
最後，激活並進入到虛擬環境 tensorflow 中：
activate tensorflow
這裏，虛擬變量的名稱我們取 tensorflow，當然你可以換個名字。Python 版本這裏選擇 3.5。
3. 安裝 TensorFlow
可能有的同學會問我們不是安裝 Keras 嗎？怎麼安裝起 TensorFlow 了？這裏解釋一下。Keras 是一個模型級（model-level）的庫，爲開發深度學習模型提供了高層次的構建模塊。 它不處理張量操作、求微分等低層次的運算。相反，它依賴於一個專門的、高度優化的張量庫來完成這些運算，這個張量庫就是 Keras 的後端引擎（backend engine），例如 TensorFlow、Theano、CNTK等都可以無縫嵌入到 Keras 中。如下圖所示：
所以先要安裝 Keras 的後端引擎 TensorFlow，首先需要升級一下你的 pip。同樣是在 Anaconda Prompt 中輸入以下命令：
python -m pip install -upgrade pip
然後直接使用 pip 安裝即可：
pip install tensorflow
#此時會顯示正在下載的包：
Installing collected packages: six, absl-py, astor, numpy, protobuf, h5py, keras-applications, gast, termcolor, pbr, mock, tensorflow-estimator,keras-preprocessing, werkzeug, grpcio, markdown, tensorboard, tensorflow
如果安裝錯誤，需要用到conda指令：
conda install tensorflow
如果沒有報錯，表示安裝沒有問題。進一步驗證安裝是否成功，在(tensorflow) C:Users\ooo> 輸入
Python
在 Python 命令行中輸入：
import tensorflow as tf
若沒有任何提示，則表明 TensorFlow 安裝成功：
4. 安裝 Keras
同樣，打開 Anaconda Prompt，進入 tensorflow 虛擬環境，使用 pip 安裝 Keras：
pip install keras
如果沒有報錯，表示安裝沒有問題。
5. 安裝 MinGW:【一定要記住安裝這個！！】
最後你還可以安裝 MinGW，同樣是在虛擬環境 tensorflow 中，輸入以下命令：
conda install mingw libpython
1進一步驗證整個 Keras 安裝是否成功，在(tensorflow) C:Users\ooo> 輸入
Python
在 Python 命令行中輸入：
import keras
若出現下面提示，則表明 Keras安裝成功：
6. 啓動 Keras
整個 Keras 安裝成功了。那麼實際應用中我們如何啓動 Keras 呢？因爲我習慣了使用 Anaconda 自帶的 Jupyter Nootbook
，那麼接下來我就教大家使用 Jupyter Notebook 調用 Keras 實例。
因爲現在 Anaconda 自帶的 Jupyter Notebook 還是整個外部 Python 環境下的，我們之前創建的虛擬環境 tensorflow 並沒有 Jupyter Notebook。怎們辦？安裝一個就好了。
同樣在 Anaconda Prompt 中，激活 tensorflow 環境，使用 conda 命令安裝，如下所示：
conda install jupyter
非常簡單，安裝成功之後，就可以在 Anaconda 的工具項裏看到 Jupyter Notebook(tensorflow) 了。
點擊 Jupyter Notebook(tensorflow)，就可以直接打開 Jupyter Notebook，可以直接在 cell 中導入 Keras 了。
這樣就不用每次使用 activate 激活 tensorflow 虛擬環境了。
注：當然你也可以用spyder進行coding的編寫啦~~可以在Anaconda Prompt中輸入：
- >>>activate tensorflow
- >>>spyder
- 此時便打開spyder界面啦~~
7. Keras 實例
下面，使用 Keras 運行這本書上的一個簡單例子，用來對 IMDB 的正負電影評論進行分類。
import keras
from keras import models
from keras import layers
from keras.datasets import imdb
import numpy as np
(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)
def vectorize_sequences(sequences, dimension=10000):
# Create an all-zero matrix of shape (len(sequences), dimension)
results = np.zeros((len(sequences), dimension))
for i, sequence in enumerate(sequences):
results[i, sequence] = 1. # set specific indices of results[i] to 1s
return results
# Our vectorized training data
x_train = vectorize_sequences(train_data)
# Our vectorized test data
x_test = vectorize_sequences(test_data)
# Our vectorized labels
y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('float32')
model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['acc'])
model.fit(x_train, y_train, epochs=4, batch_size=512)
result = model.evaluate(x_test, y_test)
print(result)
最後結果，測試集的分類準確率達到了 88.3%。
8. 結語
本文介紹的 Keras 的 CPU 版本的安裝，本書的作者推薦大家儘可能使用 GPU 版本，提高運算速度。我跑完本書的代碼發現，CPU 版本下某些模型的訓練時間還是比較長的。例如使用 VGG 預訓練模型，對 Kaggle 貓狗分類問題進行訓練，並微調 VGG 頂層參數，整個訓練時間達到了 5 個小時左右。
如果安裝 GPU 版本，需要額外安裝 CUDA Toolkit + cuDNN。需要特別注意的是 CUDA+cuDNN 的版本。因爲每個人的 GPU 顯卡型號和安裝版本不盡相同，所以本文不再贅述，需要的話，我們下次再專門介紹以下 GPU 版本的安裝。
沒有 GPU，本書的代碼基本也能跑得通，就是大型模型的訓練速度比較慢。
如果有小夥伴對 GPU 版本的 Keras 安裝有好的方法，歡迎留言！
參考文獻：https://www.cnblogs.com/zeroingToOne/p/8407059.html
參考網址：
知乎 [深度學習] Anaconda下TensorFlow + Keras配置指南: https://zhuanlan.zhihu.com/p/36551413
Windows10 同時安裝tensorflow gpu版和cpu版：https://blog.csdn.net/jizhidexiaoming/article/details/81067874
9.推薦書目：
《Python Deep Learning》這本書。該書是由 Keras 作者寫的，所以全書基本圍繞着 Keras 講深度學習的各種實現，從 CNN，RNN 到 GAN 等，偏入門，但理論和實戰部分都講的還不錯，承載着很多作者對深度學習整體性的思考。目前該書的中英文版包括源碼見下面的鏈接：
鏈接：https://pan.baidu.com/s/1kTTGpzQo-p5ZfeSI6HlbEA
提取碼：mnz9