如果在 anaconda 提示符下運行沒有問題，但是 ModuleNotFoundError: No module named 'keras' in Spyder

Question

我運行了一個從GitHub下載的項目。 奇怪的是，如果我在anaconda提示符下運行它，它是可以的，但是如果我在Spyder中運行它，它就會出現（我在win10中安裝了anaconda和Sypder，並且也安裝了keras）：

runfile('E:/MySourceCode/neural_image_captioning-master-oarriaga/src/train.py', wdir='E:/MySourceCode/neural_image_captioning-master-oarriaga/src') 重載模塊：評估器、生成器回溯（最近一次調用)：

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，在運行文件 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，來自 keras.callbacks import CSVLogger

ModuleNotFoundError：沒有名為“keras”的模塊

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 中設置有什么問題嗎？ 在 anoconda 提示中，“激活 tensorflow”之前和“激活 tensorflow”之后的 pip keras 有什么區別嗎？非常感謝。

Answer 1

這可能是您的 keras 安裝問題。 如果您已經嘗試安裝它：

$ conda install keras

它沒有用，我建議卸載它，然后用 pip3 重新安裝它：

$ conda uninstall keras
$ sudo pip3 install keras

您可以通過在 Spyder 中導入 keras 來檢查它是否有效：

> import keras

Answer 2

錯誤可能是您使用了錯誤的環境。 在 anaconda navigator 中，在啟動 spyder 之前確保您處於正確的環境中

Answer 3

如果您使用的是 conda，那么最好盡可能使用 conda 安裝所有內容，而不是將其與 pip 混用。

conda 的目的是你可以創建多個環境，每個環境都安裝了不同的包，或者同一個包的不同版本，而不會引起沖突，因為一次只激活一個環境。 這些包包括 Python 本身和 Spyder。 因此，要在 Spyder 中使用 Python 模塊，您需要創建一個包含模塊和 Spyder 的 conda 環境：

conda create -n mykerasenv keras spyder

然后要使用該環境，您需要在啟動 Spyder 之前激活它：

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

根據您的 conda/Anaconda 安裝，您可以通過 Anaconda Navigator 和/或 Anaconda Start 菜單快捷方式執行相同的操作，但命令行版本應始終有效。

如果確實需要使用 pip 安裝無法通過 conda 獲取的包，則需要在創建並激活 conda 環境后執行此操作，以便 pip 將其安裝在正確的位置。

如果您已經嘗試將東西安裝到您的根 conda 環境中（即沒有先使用conda create創建一個新環境然后激活它），那么您最好卸載 Anaconda 並從頭開始。 如果其中任何一個令人困惑，我建議再次閱讀conda 文檔。