安装Tensorflow和keras遇到的各种奇怪bug
- 打开Anaconda Prompt
- 创建虚拟环境并打开虚拟环境
conda create -n tf1 python=3.6
conda activate tf1
jupyter notebook
tf1为自定义虚拟环境名称，python版本可自定义，进入虚拟环境即可开始安装所需要的库或包
- 安装Tensorflow
建议安装如下版本，tensorflow2.1.0会报错
pip install tensorflow=2.2.0
pip install keras==2.4.3
- 首先，我尝试使用tensorflow1.14.0版本，出现了问题，
no module named tensorflow，搜索后，给出的答案五花八门，基本没用，打开conda list，包已经存在了，但是jupyter notebook仍然没有tensorflow包。 - 于是，找到个解决方案调整jupyter内核，简要描写下：
- 在Anaconda Prompt中输入
jupyter kernelspec list，显示结果分别为当前已存在的kernel名称和路径。
未添加之前，电脑上只有Python3
添加之后，
2.打开路径文件夹，打开json文件，
复制python3文件夹整个文件夹，并命名为tf1(即自定义虚拟环境名，保存到同级目录)，然后进入tf1文件夹修改json文件如下：
主要修改查询路径和display_name这两个值
- 重新打开AnacondaPrompt ,输入命令
jupyter kernelspec list
若多了一个你自己定义的内核，即创建成功。
-
打开jupyter，调用该kernel
5.但是又遇到一个bug，内核连接一直失败，提示报错信息为修改C盘到D盘中，因为我的D盘装的Anaconda，可能路径识别不了，后续，我在D盘重新创建JupyterNotebook，重复步骤后，依然失败，再次提示缺少启动包，报错如下：Kernel started:No module named ipykernel_launcher，找到解决办法如下： -
首先找到上述修改的json文件，查看文件路径
-
再找到该所在文件夹，在其同级文件夹中，找到Script文件夹，找到有pip.exe的文件夹
-
在输入WIn + cmd，进入该文件夹，输入
pip install ipykernel
安装完成后，重启notebook，发现服务器连接成功
注意：不要直接下载，必须在该文件夹中下载启动包才行
6.在jupyternotebook中输入import tensorflow，不报错，但是，输入import keras却报错，如下：module ‘tensorflow.compat.v2‘ has no attribute ‘__internal__‘，在tensorflow1.14等低版本中，我尝试对于该问题的报错如下：AttributeError: module 'tensorflow._api.v1.compat.v2' has no attribute '__internal__'
，搜索的解决办法为：from tensorflow.compat.v1 import keras ，原因可能是tensorflow1.x和2.x存在一些版本问题。
对于上述问题，我经过长达数小时的搜索尝试（包括卸载重装修改版本等方法），发现了一种新的解决办法，如下：
在所有Keras包前，全部加上 tensorflow. 即可。
例如：
至此，tensorflow和keras可以完全正常运行。
猫狗数据集百度网盘链接
链接：https://pan.baidu.com/s/1QI037L42e1FokaKB2zxUQA
提取码：bjvu
kaggle网站的数据集下载地址：
https://www.kaggle.com/lizhensheng/-2000
学习CNN训练该数据集时，遇到的bug
解决链接：原方案搬运
模型训练时bug：
Your input ran out of data; interrupting training. Make sure that your dataset or generator can generate at least `steps_per_epoch * epochs` batches (in this case, 3000 batches). You may need to use the repeat() function when building your dataset.
源代码：
history = model.fit(
train_generator,
steps_per_epoch=100,
epochs=100,
validation_data=validation_generator,
validation_steps=50)
以上是出错代码，使用的训练样本数为2000，验证样本数为1000，batch_size=32，出错是因为steps_per_epoch和validation_steps的取值错误。
正确取值应该为steps_per_epoc=2000/32=63，validation_steps=1000/32=32，均取上限。
计算依据：
每个轮次应该包含整个训练数据集，即每轮次2000个训练集的数据量。但这2000个数据是分批给模型的，每批32个（batch_size=32），因此需要给2000/32=63批。即
steps_per_epoch=num_training_examples/batch_size。拿这个值的上限来说。
同理validation_steps=1000/32=32
epochs:使用整个数据集训练模型的次数，规定的2000个数据训练100轮，这个数据不变。
代码应该修改为：
history = model.fit(
train_generator,
steps_per_epoch=63,
epochs=100,
validation_data=validation_generator,
validation_steps=32)
比较好的学习CNN（猫狗数据集博客），链接：
链接一
链接二