【快速解决】vscode安装Keras，tensorflow；解决from tensorflow.keras.models import Sequential环境配置不上怎么办？

命运之光

发布于 2024-03-20 14:20:06

1.3K0

发布于 2024-03-20 14:20:06

遇到的问题

1、from tensorflow.keras.models import Sequential环境配置不上怎么办？ 2、无法解析导入“tensorflow.keras.models”PylancereportMissingImports 发生异常: ImportError cannot import name 'OrderedDict' from 'typing' (F:\Anaconda\lib\typing.py) File "D:\桌面\python项目\demomo.py", line 57, in <module> from tensorflow.keras.models import Sequential ImportError: cannot import name 'OrderedDict' from 'typing' (F:\Anaconda\lib\typing.py)

解决方法

就是下面这些代码，直接无脑复制粘贴到vscode终端就行了，不用管其他的。
在这里粘贴就可以了。

第一步：创建虚拟环境（tf3是我的虚拟环境的名称，你可以自己取，看一下自己的python是哪一个版本的）

conda create -n tf3 python=3.7

第二步：安装 ipykernel

pip install ipykernel -i https://pypi.tuna.tsinghua.edu.cn/simple/

第三步：把新建的虚拟环境（tf3）

python -m ipykernel install --name tf3

第四步：首先要进入到新建的虚拟环境

conda activate tf3

第五步：安装tensorflow

pip install tensorflow==2.3.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/

第六步：安装keras

pip install keras==2.4.3 -i https://pypi.tuna.tsinghua.edu.cn/simple/

第七步：安装numpy

pip install numpy==1.19.5 -i https://pypi.tuna.tsinghua.edu.cn/simple/

第八步：安装pandas

pip install pandas==1.1.4 -i https://pypi.tuna.tsinghua.edu.cn/simple/

第九步：安装scikit-learn

pip install scikit-learn==0.24.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/

第十步：安装scipy

pip install scipy==1.5.4 -i https://pypi.tuna.tsinghua.edu.cn/simple/

第十一步：安装matplotlib

pip install matplotlib==3.3.3 -i https://pypi.tuna.tsinghua.edu.cn/simple/

最后在vscode里面引入相关库，没报错就说明ok了。

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import Dropout

✨下面是我问题中导入的相关库，问题已经解决了。

import matplotlib.pyplot as plt
from pandas import read_csv
from pandas import DataFrame
from pandas import concat
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM,Dense,Dropout
from numpy import concatenate
from sklearn.metrics import mean_squared_error,mean_absolute_error,r2_score
from math import sqrt

展示一下我执行上面代码后终端的运行结果

已经完成了，可以正常运行。

进行测试

让我们用我之前报错了的预测模型来检测一下是否成功运行。下面测试是运行代码。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pandas import read_csv
from pandas import DataFrame
from pandas import concat
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM,Dense,Dropout
from numpy import concatenate
from sklearn.metrics import mean_squared_error,mean_absolute_error,r2_score
from math import sqrt

# 加载数据
df = pd.read_csv('合并结果.csv')  # 替换为你的数据文件路径

# 选择要预测的列（比如黄金价格）
data = df['USD'].values.reshape(-1, 1)

# 归一化数据
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data)

# 划分训练集和测试集
train_size = int(len(scaled_data) * 0.8)
train_data, test_data = scaled_data[:train_size], scaled_data[train_size:]

# 准备训练数据
def create_dataset(dataset, time_steps=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-time_steps):
        a = dataset[i:(i+time_steps), 0]
        dataX.append(a)
        dataY.append(dataset[i + time_steps, 0])
    return np.array(dataX), np.array(dataY)

time_steps = 1
X_train, y_train = create_dataset(train_data, time_steps)
X_test, y_test = create_dataset(test_data, time_steps)

# 将数据重塑为LSTM输入的格式 [样本数, 时间步, 特征数]
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

# 建立LSTM模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
model.add(LSTM(units=50))
model.add(Dense(units=1))
model.compile(optimizer='adam', loss='mean_squared_error')

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=16, verbose=2)

# 使用模型进行预测
train_predict = model.predict(X_train)
test_predict = model.predict(X_test)

# 反归一化预测结果
train_predict = scaler.inverse_transform(train_predict)
test_predict = scaler.inverse_transform(test_predict)

# 绘制预测结果
plt.plot(data, label='True Data')
plt.plot([None for _ in range(train_size)] + [x for x in train_predict], label='Train Prediction')
plt.plot([None for _ in range(train_size + time_steps)] + [x for x in test_predict], label='Test Prediction')
plt.legend()
plt.show()