本教程基于安卓手机平台,在PyDroid3软件上,使用Python3语言配合Keras框架开发深度学习。本文章主要涉及在手机上开发环境的搭建,以及简单的示例代码,如果想深入研究开发,还需要读者自己花些功夫了。不废话,开始教程。。

*
准备工作
1、手上需要有一个安卓手机,最近两年发布的机型都可以,性能不要太弱,因为跑深度学习代码还是很吃性能的。我用的是小米8,跑cnn长时间会发热。
2、下载PyDroid3手机APP,我给大家准备好链接了
PyDroid3下载地址 <https://pan.baidu.com/s/1rVcIbRG5Lp7o4SOH_n-akQ>
3、手机需要联网,并且至少应该有1G存储,因为要下载一些依赖包。

*
软件安装
1、安装下载好的PyDroid,为了方便演示,我从手机上卸载APP,把整个流程走一下。
2、安装好PyDroid后,打开APP,会自动安装Python3,稍等一下,就可以测试python是否正常工作。
3、测试python功能


在中间输入框输入测试代码:
print("Hello World")
注意括号()和双引号""要使用英文输入法下面标点符号来输入,不然会报错,以后再手机上Code的时候也要注意这点。
输入代码完成后,点击右下角的黄色按钮就可以运行,如果无误的话会有
Hello World
的输出



* 开发环境搭建
1、依赖库安装
点击右上角会显示更多菜单,选择Pip选项,可以在QUICK
INSTALL找到常用的库,点击INSTALL就可以安装了,安装的时候要稍等一下(速度的确比较慢,大家需要耐心等待下),等提示安装完成时再退出界面。
首先可以先安装常用的包:
numpy,pandas,cython,scipy。
2、keras环境安装

细心的同学可以发现其实在上面界面就可以安装Keras了,但是因为Keras需要Theano作为后端(就是需要Theano才能正常运行),所以我们需要先安装Theano,可以在INSTALL
下面输入框输入
theano
然后APP就会自己搜索下载(注意不要输入错了,可能会找不到包),同样的等一下,安装完成后再退出界面,如果
提示错误,可能是网络原因,那就等一下再输入一次进行安装。(建议有些基础的可以选择命令行,在软件上很容易找到,和Linux,系统用法基本一致)

在上面菜单选项选择Terminal 选项,进入Terminal
依次输入:完成一项再输入下一项
pip3 install --upgrade pip pip3 install theano pip3 install keras
安装完成后就可以测试keras功能了,开始深度学习了。

* 测试代码 # coding: utf-8 import numpy as np from keras.datasets import mnist
from keras.utils import np_utils from keras.models import Sequential from
keras.layers import Dense, Activation, Convolution2D, MaxPooling2D, Flatten
from keras.optimizers import Adam np.random.seed(1337) # download the mnist
(X_train, Y_train), (X_test, Y_test) = mnist.load_data() # data pre-processing
X_train = X_train.reshape(-1, 1, 28, 28)/255 X_test = X_test.reshape(-1, 1, 28,
28)/255 Y_train = np_utils.to_categorical(Y_train, num_classes=10) Y_test =
np_utils.to_categorical(Y_test, num_classes=10) # build CNN model =
Sequential() # conv layer 1 output shape(32, 28, 28)
model.add(Convolution2D(filters=32, kernel_size=5, strides=1, padding='same',
batch_input_shape=(None, 1, 28, 28), data_format='channels_first'))
model.add(Activation('relu')) # pooling layer1 (max pooling) output shape(32,
14, 14) model.add(MaxPooling2D(pool_size=2, strides=2, padding='same',
data_format='channels_first')) # conv layer 2 output shape (64, 14, 14)
model.add(Convolution2D(64, 5, strides=1, padding='same',
data_format='channels_first')) model.add(Activation('relu')) # pooling layer 2
(max pooling) output shape (64, 7, 7) model.add(MaxPooling2D(2, 2, 'same',
data_format='channels_first')) # full connected layer 1 input shape
(64*7*7=3136), output shape (1024) model.add(Flatten()) model.add(Dense(1024))
model.add(Activation('relu')) # full connected layer 2 to shape (10) for 10
classes model.add(Dense(10)) model.add(Activation('softmax')) model.summary() #
define optimizer adam = Adam(lr=1e-4) model.compile(optimizer=adam,
loss='categorical_crossentropy', metrics=['accuracy']) # training print
('Training') model.fit(X_train, Y_train, epochs=1, batch_size=16) # testing
print ('Testing') loss, accuracy = model.evaluate(X_test, Y_test) print ('loss,
accuracy: ', (loss, accuracy))


需要去忙些事情了,教程后面的些东西晚些时间再更新。
感兴趣的朋友大家一起努力。
未完待续,大家晚安,谢谢观看。。