本篇目錄
0.前言
目前主流的深度學習套件(框架/Framework）有：Tensorflow, Theano, Mxnet, Torch, Caffe, Keras…
其中，Tensorflow是Google在2015年釋出的深度學習開源套件(低階框架)。另一方面，Keras屬於比較高階的框架，可以去呼叫比較低階的Tensorflow或Theano。
(如果擅寫Python的人，現在都會比較推崇Pytorch，不過那是後話了)
以程式語言來比喻的話：Keras之於Tensorflow(高階框架vs低階框架)，就如同Python之於C(高階語言vs低階語言)
一開始官方釋出Tensorflow/Keras的時候，主要的程式語言是Python。不過現在多虧Rstudio官方的貢獻，我們也能夠使用R的版本了：
如果有曾試著想要在安裝Tensorflow/Keras(R版本)的朋友，應該會看一堆安裝教學，並且遇到不少問題(尤其是在windows環境底下)
網路上有不少安裝教學，但幾乎都是零散的資訊：有省略一堆前置作業的，有用linux的概念在講windows的安裝，有沒去考慮使用R的人不一定會使用python…
總之，在走了不少冤枉路後，本文試著結合整理出最簡單且最完整的安裝流程。希望能夠讓想要使用keras這個深度學習套件的R使用者(尤其是windows)，能夠最快解決安裝的問題。
那麼，我們就開始吧，依序會有兩個主要步驟：
1. Python版本的安裝作業
首先，雖說被稱為R的版本，但Tensorflow/Keras的設計和本質還是基於Python。
所以概念上來說，我們是要「使用R語言去操作Python版本的Tensorflow/Keras」。
換句話說，R的套件主要建立一個操作介面，讓我們可以用R語言來建立深度學習的模型，而深度學習模型真正的運行，還是會在Python的tensorflow/keras框架底下。
總之，我們要先安裝Python的Tensorflow/Keras框架！
在官方的安裝教學 裡，建議我們使用Anaconda這個安裝包，創造一個Python的環境。
對於想在windows環境下寫python的人來說，Anaconda安裝包十分強大，很多設定上的細節都會自動幫你處理好，更多討論可以參考在Quora上的討論：Why should I use anaconda instead of traditional Python distributions for data science?。
(1) 安裝Anaconda
過程中，請在這一步驟時打勾，這樣可以節省之後去環境變數設定python/pip指令的時間。
(當然，你若熟悉如何設定windows的環境變數指向python的檔案，也可以之後再自行設定)
安裝完成之後，你的資料夾會長這個樣子(預設路徑：C:Users\yourname\Anaconda3)
(參考：https://www.tensorflow.org/install/install_windows )
(2) 在Anaconda中創造一個r-tensorflow的虛擬環境
接下來打開終端機(cmd)，輸入以下指令：
C:\> conda create --name r-tensorflow python=3.5
這個指令是創造一個名為r-tensorflow的虛擬環境，並在裡面安裝python的3.5版本。
(在寫這篇筆記時，官方說只支援到Python 3.5.x的版本；而剛剛實驗室的學長跟我更新，目前能支援Python 3.6.x的版本了，這顯然是個好消息！總之，關於Tensorflow能支援的Python版本，請隨時關注Tensorflow官方釋出的消息！)
這個環境就是一個資料夾，可以在路徑：C:Users\yourname\Anaconda3\envs的資料夾內中看到：
要注意的是，資料夾一定要叫r-tensorflow。
因為等一下在呼叫R的套件時 (library(keras)) ，Rstudio會自動去路徑：C:Users\yourname\Anaconda3\envs的資料夾中，尋找名為r-tensorflow的資料夾，抓裡面的python版本、tensorflow、keras…來使用。
(參考：https://github.com/rstudio/keras/issues/147#issuecomment-335990686)
(3) 在r-tensorflow的環境裡，安裝tensorflow/keras
一樣在終端機(cmd)下，依序輸入以下指令：
進入r-tensorflow的環境中
安裝tensorflow
安裝keras
C:\> activate r-tensorflow
(r-tensorflow) C:\> pip install --ignore-installed --upgrade tensorflow
(r-tensorflow) C:\> conda install -c conda-forge keras以上是安裝tensorflow的cpu版本，若要安裝gpu版本，就把第二個指令改成這樣：
>(r-tensorflow) C:> pip install --ignore-installed --upgrade tensorflow-gpu(題外話)
若是在安裝tensorflow的過程中，出現以下類似的錯誤訊息，這個問題主要是html5lib的版本老舊，裡面可能有些問題：
Exception:
Traceback (most recent call last):
File "C:\Users\csprock\Anaconda3\lib\site-packages\pip\basecommand.py", line 215, in main
File "C:\Users\csprock\Anaconda3\lib\site-packages\pip\req\req_set.py", line 428, in _check_skip_installed
req_to_install, upgrade_allowed)
File "C:\Users\csprock\Anaconda3\lib\site-packages\pip\index.py", line
inst = cls(resp.content, resp.url, resp.headers)
File "C:\Users\csprock\Anaconda3\lib\site-packages\pip\index.py", line 731, in __init__
namespaceHTMLElements=False,
TypeError: parse() got an unexpected keyword argument 'transport_encoding'經過調查後，最好的解法是：
去 https://github.com/html5lib/html5lib-python/tree/master/html5lib 下載新的html5lib檔案
然後把
.\Anaconda3\envs\r-tensorflow\Lib\site-packages\html5lib給全部複寫重跑第二、第三個指令，這樣應該就沒問題了！
(參考：https://github.com/rstudio/keras/issues/147#issuecomment-335990686)
(4) 測試安裝成功與否
安裝結束以後，你就可以使用python版本的tensorflow/keras了！(換句話說，之後有機會要用Python去操作tensorflow/keras的話，這個安裝流程一樣適用。)
要測試是否成功安裝，一樣先在終端機輸入以下指令：
進入r-tensorflow的環境中
開啟python模式
C:\> activate r-tensorflow
(r-tensorflow) C:\> python畫面會像這樣，紅色部分是指令，藍色則是確認python的版本是3.5沒錯
然後在python模式底下，輸入以下測試程式碼：
# Python codes for tensorflow
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))成功的話，結果會像這個樣子：
2. R版本的安裝作業
建立好python的框架後，我們就可以開始安裝R的套件。
R的套件主要是協助建立一個介面，讓我們可以用R語言，去連結Python的框架。
(1) 安裝rstudio/keras或rstudio/tensorflow
打開RStudio，先安裝Rtools (https://cran.r-project.org/bin/windows/Rtools/)，並且輸入以下指令：
# installing 'devtools' package for installing Packages from github
install.packages('devtools')
require(devtools)
# install tensorflow(如果你要tensorflow的話)
devtools::install_github("rstudio/tensorflow")
# installing keras(如果你要keras的話)
devtools::install_github("rstudio/keras") (2) 匯入套件並測試
然後就使用library/require函式匯入tensorflow/keras(我這裡用keras舉例)： 如果一切都順利的話，跑以下程式碼(任一)應該都不會有問題：
# Test Tensorflow: Say hello
require(tensorflow)
sess = tf$Session()
hello <- tf$constant('Hello, TensorFlow!')
sess$run(hello)## b'Hello, TensorFlow!'# Test Keras: Define a simple DNN network
require(keras)
model <- keras_model_sequential()
model %>%
layer_dense(units = 256, activation = "relu", input_shape = c(784)) %>%
layer_dropout(rate = 0.4) %>%
layer_dense(units = 128, activation = "relu") %>%
layer_dropout(rate = 0.3) %>%
layer_dense(units = 10, activation = "softmax")
summary(model)## ___________________________________________________________________________
## Layer (type) Output Shape Param #
## ===========================================================================
## dense_1 (Dense) (None, 256) 200960
## ___________________________________________________________________________
## dropout_1 (Dropout) (None, 256) 0
## ___________________________________________________________________________
## dense_2 (Dense) (None, 128) 32896
## ___________________________________________________________________________
## dropout_2 (Dropout) (None, 128) 0
## ___________________________________________________________________________
## dense_3 (Dense) (None, 10) 1290
## ===========================================================================
## Total params: 235,146
## Trainable params: 235,146
## Non-trainable params: 0
## ___________________________________________________________________________以上這樣就大功告成了！
最後，這是我的電腦狀態跟套件版本：
sessionInfo()## R version 3.4.1 (2017-06-30)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 7 x64 (build 7601) Service Pack 1
##
## Matrix products: default
##
## locale:
## [1] LC_COLLATE=Chinese (Traditional)_Taiwan.950
## [2] LC_CTYPE=Chinese (Traditional)_Taiwan.950
## [3] LC_MONETARY=Chinese (Traditional)_Taiwan.950
## [4] LC_NUMERIC=C
## [5] LC_TIME=Chinese (Traditional)_Taiwan.950
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## loaded via a namespace (and not attached):
## [1] compiler_3.4.1 backports_1.1.1 magrittr_1.5 rprojroot_1.2
## [5] tools_3.4.1 htmltools_0.3.6 prettydoc_0.2.0 yaml_2.1.14
## [9] Rcpp_0.12.13 stringi_1.1.5 rmarkdown_1.6 knitr_1.17
## [13] stringr_1.2.0 digest_0.6.12 evaluate_0.10.1packageVersion("tensorflow")## [1] '1.4'packageVersion("keras")## [1] '2.0.8'Q&A
網路上有很多安裝教學跟流程，我大致都試過，經過一次次遇到問題，再一次次修正，最後整理這篇筆記。
在過程中，我根據遇到的問題而做了一些選擇跟取捨。我認為將其整理出來並附上心得，會比較好一點：
- 為何不使用tensorflow、keras內建的
install_tensorflow()、install_keras()？
這兩個函式的作用，是會在Anaconda內建立一個r-tensorflow的虛擬環境(如上文1-(2)步驟)，並且自動在裡面安裝python的tensorflow/keras(如上文1-(3)步驟)
可是我在使用的時候，發現都會遇到html5lib的版本老舊的問題，導致tensorflow安裝失敗。這時候還是得手動更新html5lib的檔案，並且在終端機上重複1-(3)的步驟。(令人費解的是，有時候即使更新了還是會安裝失敗)
因此，我認為從頭到尾都在終端機上操作，直接手動在Anaconda內建立r-tensorflow的虛擬環境、並且手動安裝tensorflow/keras，最為穩定且妥當。
先說說這兩者的區別：keras是Rstudio所開發的介面，而kerasR是statsmaths大神開發的套件。只要點上面的超連結，就可以連到各自的github頁面。
事實上，這兩個套件都是連結python的keras，寫法上十分相近，運行上也沒有太大差別。網路上有不少關於kerasR的教學文章，算是頗為熱門的套件之一。(參考：https://medium.com/towards-data-science/keras-deep-learning-in-r-b0be9dc726ff)
但我之所以不用kerasR，是在使用時遇到一個問題，如這篇討論串所說：https://github.com/statsmaths/kerasR/issues/13
簡單說，在tensorflow的參數設定上(例如：mod$add(Dense(units = 50, input_shape = 13)))，要求數字都得是int的型態，而一般在python這樣寫是沒什麼問題的。
可是當用kerasR的時候，這個寫法：mod$add(Dense(units = 50, input_shape = 13))，裡面的數字卻會被當成float型態，然後傳給python內的tensorflow，導致錯誤訊息。
雖然statsmaths大神在討論串內提到，dev version 0.6.2已經解決這個問題，建議用devtools::install_packages("statsmaths/kerasR")下載github上的版本；可是我照做後，還是出現這個問題。(2017/10/16)
總之在這上面耗得時間太多，這一切太麻煩了，所以就用另一個Rstudio開發的keras，反正模型是一模一樣的XD
總結
恭喜你，現在已經可以開始在R上面訓練自己的深度學習模型了，幾篇教學文章提供如下：
https://www.analyticsvidhya.com/blog/2017/06/getting-started-with-deep-learning-using-keras-in-r/
https://medium.com/towards-data-science/keras-deep-learning-in-r-b0be9dc726ff
之後有時間的話，我也會更新自己用keras訓練深度學習模型的筆記(前提是有時間的話XD)
It’s still a long way to go~