前言

好久沒用部落格了，因為伺服器原因重灌了好幾次，tensorflow也一直跟著重灌，這篇博文相比上一篇會更完善點，用的版本也會新一些。主要記錄在win10和ubuntu上配置Tensorflow目標檢測介面的過程和一些遇到的問題，也會記錄gpu版tensorflow的安裝過程（CUDA和cuDNN）。在使用介面之前，請先確認自己能使用GPU版本的tensorflow！這篇只有配置，以後有時間記錄下如何訓練自己的資料集。最近tensorflow還開放了例項分割的介面，還得弄一弄，跟不上了呀~哈哈

Windows10

環境配置:Anaconda3+Tensorflow1.6.0（gpu）+Keras2.1.5(可選)

注：還沒安裝CUDA和cuDNN的先看最下面的附

• 安裝Tensorflow: pip install tensorflow-gpu (pip install –upgrade tensorflow-gpu)

  現在沒有說必須要python3.5才有tensorflow了，所以Anaconda也能裝最新的

• 安裝keras:pip install keras (pip install –upgrade keras)

Protobuf 編譯

下載（protoc-3.4.0-win32.zip）

• 請下載3.4.0版本的protobuf，3.5+版本會出現一個bug：在win10下無法理解*.proto ,所以輸入下面的指令後會提示no such fileXXX 。

解壓後將bin資料夾中的【protoc.exe】放到C:\Windows

• 此步驟需要windows資料夾的寫入許可權，但其實只要protoc.exe 在某個環境變數的目錄下即可，不一定要在c:\wiindows。放在tensorflow\model\research，然後新增環境變數也可以。

在models\research目錄下shift+右鍵開啟Powershell視窗，輸入：
protoc object_detection/protos/*.proto --python_out=.
不報錯即可。

Python路徑的新增

在Anaconda的包目錄：C:\Users\LXY\Anaconda3\Lib\site-packages

C:\Users\LXY\TensorFlow\models\research
C:\Users\LXY\TensorFlow\models\research\slim

• 避免出現錯誤：no module name ‘object detection’，在Ubuntu的配置上也有類似步驟。

測試

python object_detection/builders/model_builder_test.py
不報錯即可

附：CUDA和cuDNN安裝

注：不同的TensorFlow版本要求不同的CUDA及其對應的cuDNN，eg. tensorflow1.3.0要求CUDA8.0
但是tensorflow1.6.0要求CUDA9.0，如果強行要CUDA9.1或者CUDA8.1請用大神們編譯的.whl

因為用的Tensorflow1.6.0，所以下載CUDA9.0以及對應的cuDNN7.1.1（更正一下，只能用v7.0，在訓練資料的時候才發現）

• 安裝CUDA的時候，第一步是系統相容性檢查，如果這步出現Warning，沒檢查到合適硬體，先跳過，看能不能安裝成功，可以成功的話就不用管這個相容檢查問題了。
• 新安裝的CUDA不會覆蓋原有CUDA的環境變數，而是排在原有變數的前面，所以當需要CUDA時，會優先檢索新安裝的CUDA。

安裝完CUDA後，將cuDNN的檔案複製過去

• 安裝完的CUDA在目錄： C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\，我們一開始選的目錄是用來暫放提取檔案的，安裝完後就自動刪除了。

C:\cuda\bin\cudnn64_5.dll —> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin 
C:\cuda\include\cudnn.h —> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include 
C:\cuda\lib\x64\cudnn.lib —> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64

檢視CUDA版本

nvcc -V

測試

需要安裝好tensorflow-gpu

source activate tensorflow #（可選，如果在虛擬環境的話）
python
import tensorflow as tf
hello=tf.constant('hello,tensorflow')
sess=tf.Session()
print(sess.run(hello))

檢視GPU佔用

將C:\Program Files\NVIDIA Corporation\NVSMI加入環境變數
然後就可以跟Ubuntu一樣，在cmd輸入：nvidia-smi

Ubuntu16.0.4

Ubuntu裝得會早些，Tensorflow版本是1.4.0，要下載的東西跟Windows類似，很多配置步驟也跟WIndows類似。
注：還沒安裝CUDA和cuDNN的先看最下面的附

安裝Anaconda
sudo bash Anaconda3-4.4.0-Linux-x86_64.sh

重新整理環境變數
source /etc/profile或者 source ~/.bashrc #(全域性的環境變數)

檢視conda版本
conda –V

建一個tensorflow環境（可選）
conda create -n tensorflow python=3.6
啟用環境（根據上一條可選）
source activate tensorflow

安裝tensorflow
注：如果是在Anaconda開闢的環境env裡，安裝都不用加sudo，如果使用sudo意味使用的是系統預設的python環境（也是Anaconda的），不確定的可以在安裝完後pip list看看是否安裝成功。

pip install tensorflow-gpu

安裝必要的包和工具

sudo apt-get install protobuf-compiler python-pil python-lxml python-tk
sudo pip install jupyter
sudo pip install matplotlib

或者使用（可選）

sudo pip install pillow
sudo pip install lxml
sudo pip install jupyter
sudo pip install matplotlib

如果要使用coco的api（可選）

git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
make
cp -r pycocotools <path_to_tensorflow>/models/research/

Protobuf編譯

# From tensorflow/models/research/
protoc object_detection/protos/*.proto --python_out=.

加入環境變數

vim ~/.bashrc
export PYTHONPATH=$PYTHONPATH:'/home/ai902/Tensorflow/models/research':'/home/ai902/Tensorflow/models/research/slim'

測試

• python object_detection/builders/model_builder_test.py
• 從navigator裡面安裝啟動jupyter notebook，執行例程

附：CUDA和cuDNN安裝

安裝CUDA

sudo sh cuda_8.0.61_375.26_linux.run  # 安裝的cuda在/usr/local/cuda下面

注意：安裝顯示卡驅動的時候選擇no！！！

安裝cuDNN(也可以用.deb檔案安裝)

cd /usr/local/cuda # cuDNN放在這個目錄下解壓
sudo tar -xzvf cudnn-8.0-linux-x64-v6.0.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

新增環境變數，將以下程式碼放入~/.bashrc檔案儲存後source ~/.bashrc

export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"
export CUDA_HOME=/usr/local/cuda

測試

source activate tensorflow #（可選，如果在虛擬環境的話）
python
import tensorflow as tf
hello=tf.constant('hello,tensorflow')
sess=tf.Session()
print(sess.run(hello))