python3将python代码打包成exe文件的方法

import kerasfrom keras.models import Sequentialimport numpy as npimport pandas as pdfrom keras.layers import Denseimport randomimport matplotlib.pyplot as pltfrom tensorflow.examples.tutorials.mnist import input_datafrom tkinter import filedialogimport tkinter.messagebox #这个是消息框，对话框的关键file_path = filedialog.askdirectory()mnist = input_data.read_data_sets(file_path, validation_size=0)#随机挑选其中一个手写数字并画图num = random.randint(1, len(mnist.train.images))img = mnist.train.images[num]plt.imshow(img.reshape((28, 28)), cmap='Greys_r')plt.show()x_train = mnist.train.imagesy_train = mnist.train.labelsx_test = mnist.test.imagesy_test = mnist.test.labels#reshaping the x_train, y_train, x_test and y_test to conform to MLP input and output dimensionsx_train = np.reshape(x_train, (x_train.shape[0], -1))x_test = np.reshape(x_test, (x_test.shape[0], -1))y_train = pd.get_dummies(y_train)y_test = pd.get_dummies(y_test)#performing one-hot encoding on target variables for train and testy_train=np.array(y_train)y_test=np.array(y_test)#defining model with one input layer[784 neurons], 1 hidden layer[784 neurons] with dropout rate 0.4 and 1 output layer [10 #neurons]model=Sequential()model.add(Dense(784, input_dim=784, activation='relu'))keras.layers.core.Dropout(rate=0.4)model.add(Dense(10,input_dim=784,activation='softmax'))# compiling model using adam optimiser and accuracy as metricmodel.compile(loss='categorical_crossentropy', optimizer="adam", metrics=['accuracy'])# fitting model and performing validationmodel.fit(x_train, y_train, epochs=20, batch_size=200, validation_data=(x_test, y_test))y_test1 = pd.DataFrame(model.predict(x_test, batch_size=200))y_pre = y_test1.idxmax(axis = 1)result = pd.DataFrame({'test': y_test, 'pre': y_pre})tkinter.messagebox.showinfo('Message', 'Completed!')