如果在 anaconda 提示符下运行没有问题，但是 ModuleNotFoundError: No module named 'keras' in Spyder

Question

我运行了一个从GitHub下载的项目。 奇怪的是，如果我在anaconda提示符下运行它，它是可以的，但是如果我在Spyder中运行它，它就会出现（我在win10中安装了anaconda和Sypder，并且也安装了keras）：

runfile('E:/MySourceCode/neural_image_captioning-master-oarriaga/src/train.py', wdir='E:/MySourceCode/neural_image_captioning-master-oarriaga/src') 重载模块：评估器、生成器回溯（最近一次调用)：

File "", line 1, in runfile('E:/MySourceCode/neural_image_captioning-master-oarriaga/src/train.py', wdir='E:/MySourceCode/neural_image_captioning-master-oarriaga/src')

文件“D:\\ProgramData\\Anaconda3\\lib\\site-packages\\spyder\\utils\\site\\sitecustomize.py”，第 710 行，在运行文件 execfile(filename, namespace) 中

文件“D:\\ProgramData\\Anaconda3\\lib\\site-packages\\spyder\\utils\\site\\sitecustomize.py”，第 101 行，在 execfile exec(compile(f.read(), filename, 'exec'), namespace)

文件“E:/MySourceCode/neural_image_captioning-master-oarriaga/src/train.py”，第 3 行，来自 keras.callbacks import CSVLogger

ModuleNotFoundError：没有名为“keras”的模块

train.py 如下：

from evaluator import Evaluator
from generator import Generator
from keras.callbacks import CSVLogger
from keras.callbacks import ModelCheckpoint
from keras.callbacks import ReduceLROnPlateau
from models import NIC
from data_manager import DataManager

num_epochs = 50  
batch_size = 64 
root_path = '../datasets/IAPR_2012/'
captions_filename = root_path + 'IAPR_2012_captions.txt'
data_manager = DataManager(data_filename=captions_filename,
                            max_caption_length=30,
                            word_frequency_threshold=2,
                            extract_image_features=False,
                            cnn_extractor='inception',
                            image_directory=root_path + 'iaprtc12/',
                            split_data=True,
                            dump_path=root_path + 'preprocessed_data/')

data_manager.preprocess()
print(data_manager.captions[0])
print(data_manager.word_frequencies[0:20])

preprocessed_data_path = root_path + 'preprocessed_data/'
generator = Generator(data_path=preprocessed_data_path,
                      batch_size=batch_size)

num_training_samples =  generator.training_dataset.shape[0]
num_validation_samples = generator.validation_dataset.shape[0]
print('Number of training samples:', num_training_samples)
print('Number of validation samples:', num_validation_samples)

model = NIC(max_token_length=generator.MAX_TOKEN_LENGTH,
            vocabulary_size=generator.VOCABULARY_SIZE,
            rnn='gru',
            num_image_features=generator.IMG_FEATS,
            hidden_size=128,
            embedding_size=128)

model.compile(loss='categorical_crossentropy',
              optimizer = 'adam',
              metrics=['accuracy'])

print(model.summary())
print('Number of parameters:', model.count_params())

training_history_filename = preprocessed_data_path + 'training_history.log'
csv_logger = CSVLogger(training_history_filename, append=False) 
model_names = ('../trained_models/IAPR_2012/' +
               'iapr_weights.{epoch:02d}-{val_loss:.2f}.hdf5')
model_checkpoint = ModelCheckpoint(model_names,                 #Callback
                                   monitor='val_loss',
                                   verbose=1,
                                   save_best_only=False,
                                   save_weights_only=False)

reduce_learning_rate = ReduceLROnPlateau(monitor='val_loss', factor=0.1,  #Callback
                                         patience=5, verbose=1)

callbacks = [csv_logger, model_checkpoint, reduce_learning_rate]

model.fit_generator(generator=generator.flow(mode='train'), 
                    steps_per_epoch=int(num_training_samples / batch_size),
                    epochs=num_epochs,
                    verbose=1,
                    callbacks=callbacks,
                    validation_data=generator.flow(mode='validation'),
                    validation_steps=int(num_validation_samples / batch_size))

evaluator = Evaluator(model, data_path=preprocessed_data_path,
                      images_path=root_path + 'iaprtc12/')

evaluator.display_caption()

在 Spyder 中设置有什么问题吗？ 在 anoconda 提示中，“激活 tensorflow”之前和“激活 tensorflow”之后的 pip keras 有什么区别吗？非常感谢。

Answer 1

这可能是您的 keras 安装问题。 如果您已经尝试安装它：

$ conda install keras

它没有用，我建议卸载它，然后用 pip3 重新安装它：

$ conda uninstall keras
$ sudo pip3 install keras

您可以通过在 Spyder 中导入 keras 来检查它是否有效：

> import keras

Answer 2

错误可能是您使用了错误的环境。 在 anaconda navigator 中，在启动 spyder 之前确保您处于正确的环境中

Answer 3

如果您使用的是 conda，那么最好尽可能使用 conda 安装所有内容，而不是将其与 pip 混用。

conda 的目的是你可以创建多个环境，每个环境都安装了不同的包，或者同一个包的不同版本，而不会引起冲突，因为一次只激活一个环境。 这些包包括 Python 本身和 Spyder。 因此，要在 Spyder 中使用 Python 模块，您需要创建一个包含模块和 Spyder 的 conda 环境：

conda create -n mykerasenv keras spyder

然后要使用该环境，您需要在启动 Spyder 之前激活它：

activate mykerasenv # (or 'source activate mykerasenv' if that doesn't work)
spyder

根据您的 conda/Anaconda 安装，您可以通过 Anaconda Navigator 和/或 Anaconda Start 菜单快捷方式执行相同的操作，但命令行版本应始终有效。

如果确实需要使用 pip 安装无法通过 conda 获取的包，则需要在创建并激活 conda 环境后执行此操作，以便 pip 将其安装在正确的位置。

如果您已经尝试将东西安装到您的根 conda 环境中（即没有先使用conda create创建一个新环境然后激活它），那么您最好卸载 Anaconda 并从头开始。 如果其中任何一个令人困惑，我建议再次阅读conda 文档。