计算机视觉与深度学习基本环境安装 | 您所在的位置:网站首页 › 计算机视觉需要学什么软件 › 计算机视觉与深度学习基本环境安装 |
计算机视觉与深度学习基本环境安装
1. Python的安装与使用1.1 Python简介1.2 Python下载与安装1.2.1 Anaconda的下载与安装1.2.2 Python编译器PyCharm的安装
2. TensorFlow类库的下载与安装2.1 TensorFlow的特征2.2 基于CPU模式的安装2.3 基于GPU模式的安装2.3.1 CUDA配置2.3.2 cuDNN配置
3. OpenCV类库的下载与安装4. 写在后面
写在前面:本博文是计算机视觉与深度学习相关环境安装的笔记,特定做了记录以帮助自己记忆与其他读者学习。
1. Python的安装与使用
1.1 Python简介
“人生苦短,我用Python”,这是Python语言在自我推广和宣传中使用的口号。Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言,最初被设计用于编写自动化脚本(shell),随着版本的不断更新和语言新功能的添加,越多被用于独立的、大型项目的开发。 1.2 Python下载与安装 1.2.1 Anaconda的下载与安装Python时深度学习的首选开发语言,但是对于安装来说,第三方提供了继承了大量科学计算类库的Python标准安装包,目前最常用的时Anaconda。 Anaconda指的是一个开源的Python发行版本,其包含了conda、Python等180多个科学包及其依赖项。 [1] 因为包含了大量的科学包,Anaconda 的下载文件比较大(约 531 MB),如果只需要某些包,或者需要节省带宽或存储空间,也可以使用Miniconda这个较小的发行版(仅包含conda和 Python)。 Anaconda里面集成了很多关于Python科学计算的第三方库,主要是安装方便,而Python是一个脚本语言,如果不使用Anaconda,那么第三方库的安装会较为困难,各个库之间的依赖性就很难连接的很好。因此,推荐使用集合了大量第三方类库的安装程序Anaconda来替代Python的安装。 官网下载速度非常缓慢,建议读者下载时使用清华镜像进行下载。下载完成之后双击安装包进行安装,安装过程全程界面化,操作不赘述。 PyCharm下载地址:PyCharm下载地址 TensorFlow™ 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库。节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组,即张量(tensor)。它灵活的架构让你可以在多种平台上展开计算,例如台式计算机中的一个或多个CPU(或GPU),服务器,移动设备等等。TensorFlow 最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来,用于机器学习和深度神经网络方面的研究,但这个系统的通用性使其也可广泛用于其他计算领域。 2.1 TensorFlow的特征(1)高度的灵活性:TensorFlow 不是一个严格的“神经网络”库。只要你可以将你的计算表示为一个数据流图,你就可以使用Tensorflow (2)真正的可移植性(Portability):Tensorflow 在CPU和GPU上运行,比如说可以运行在台式机、服务器、手机移动设备等等 (3)将科研和产品联系在一起:使用Tensorflow可以让应用型研究者将想法迅速运用到产品中,也可以让学术性研究者更直接地彼此分享代码,从而提高科研产出率 (4)自动求微分:基于梯度的机器学习算法会受益于Tensorflow自动求微分的能力 (5)多语言支持:Tensorflow 有一个合理的c++使用界面,也有一个易用的python使用界面来构建和执行你的graphs。你可以直接写python/c++程序,也可以用交互式的ipython界面来用Tensorflow尝试些想法,它可以帮你将笔记、代码、可视化等有条理地归置好 (6)性能最优化:你可以自由地将Tensorflow图中的计算元素分配到不同设备上,Tensorflow可以帮你管理好这些不同副本 上述内容参照自Tensorflow中文社区 2.2 基于CPU模式的安装由于前面已经安装了Anaconda,Tensorflow的安装就非常便捷了。 首先打开Anaconda安装目录中的 Anaconda Prompt(一般在程序列表中可以找到),如下图所示: 如果版本是3.7版本,那么需要先调整版本信息,这里我们添加一个3.5的环境。 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ #设置默认镜像为清华镜像 conda config --set show_channel_urls yes conda create --name py35 python=3.5 anaconda #创建Python3.6环境 activate py35 #激活环境当执行完成后,查看版本信息是否被修改: 安装过程中可能会出现报错: Could not find a version that satisfies the requirement tensorflow-tensorboard这时候可以采用下面的语句进行安装,直接使用conda进行安装: conda install tensorflow之后将自动根据你所安装的Anaconda环境,安装对应的最新的Tensorflow类库,等待提示安装成功即可。安装完成后输入如下命令行: conda list在显示的目录中找到 tensorflow,可以查看对应的版本号信息,如下图所示: 执行完成后成功的截图: 如果要进行大规模计算,则需要安装基于GPU模式的Tensorflow,安装时输入以下代码: pip install tensorflow-gpu #此版本下载较慢 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu #使用清华镜像等待安装完成之后即可认为基于GPU模式的Tensorflow安装完毕。但是如果要真正的使用GPU模式对数据进行处理,除了安装tensorflow-gpu库包意外,还需要安装CUDA与cuDNN,这是NVIDIA为了使用GPU进行程序运算专门提供的工具包。 2.3.1 CUDA配置安装CUDA时,需要下载对应版本的程序,其对应关系如下图所示: CUDA下载地址:cuda-90-download-archive 检测通过,继续进行安装,按照提示安装即可。安装完成之后,就需要对安装的CUDA进行环境的配置。在环境变量中仅仅是自动配置的环境是不够的,还需要在环境变量里的path中添加bin和lin\x64目录的路径,其设置完成后如下: CUDA_BIN_PATH %CUDA_PATH%\bin CUDA_LIB_PATH %CUDA_PATH%\lib\Win64 CUDA_SDK_BIN %CUDA_SDK_PATH%\bin\Win64 CUDA_SDK_LIB %CUDA_SDK_PATH%\common\lib\Win64 CUDA_SDK_PATH C:\cuda\cudasdk\common安装时,会自动将环境配置好,但是我们还是需要检查是否安装成功: nvcc -V使用上面的命令可以查看是否安装成功。 2.3.2 cuDNN配置对于tensorflow而言,真正实现加速的是cuDNN,cuDNN调用的是CUDA显卡驱动。所以最后我们要配置cuDNN这个模块。cuDNN全称:NVIDIA CUDA Deep Neural Network library。cuDNN是NVIDIA专门针对深度神经网络(Deep Neural Networks)中的基础操作而设计的基于GPU的加速库。其下载安装过程按照官网步骤即可。 (1)从 http://developer.nvidia.com/cudnn 上下载cuDNN相应版本的压缩包 (2)如果下载的压缩包不是.tgz格式的,将该程序包重命名为.tgz格式,解压该压缩包到系统任意路径,解压后文件名为CUDA,文件夹中包含三个子文件夹:一个为include,一个为lib,还有一个是bin (3)复制上述三个文件到CUDA_PATH指定的路径下面 至此,安装与配置完成。 3. OpenCV类库的下载与安装OpenCV是专属于Python的视觉程序包,OpenCV的安装较为复杂,但是可以通过安装其他程序设计人员编译好的whl文件进行安装即可。下载地址:OpenCV下载链接 (1)首先下载编译好的OpenCV类库安装文件 (2)打开Anaconda Prompt输入安装命令进行安装 安装命令如下: pip install C://xxx/ccc/OpenCV_python-3.4.2-cp36-cp36m-win_amd64.whl简单的步骤即可完成OpenCV类可以的安装过程 4. 写在后面本文简单的对计算机视觉与深度学习基本环境安装进行了解释,通过本文可以快速搭建学习环境,本文是本系列文章中的第二篇文章,上述内容均参照:深度学习与计算机视觉实战 王晓华版。本文中如有不当之处,希望读者可以批评之,笔者必改正。如果本文对读者有帮助,希望读者们可以关注笔者一波。 本系列篇一友情链接:计算机视觉与深度学习基础介绍 |
CopyRight 2018-2019 实验室设备网 版权所有 |