硬件平台:windows10、NVIDIA GeForce GTX 1050
软件平台:Pycharm、Anaconda3、Tensorflows
实现功能 基础平台搭建
一、安装 Pycharm & Ananconda3
两个软件的安装步骤简单。
需注意的是,建议先安装Pycharm,这样在安装完Ananconda后可以直接在Pycharm中创建后续船舶检测分类的虚拟环境。
具体安装及配置步骤,参考: Anaconda与Pycharm详细安装配置
二、安装CUDA&cuDNN
CUDA是NVIDIA推出的用于自家GPU的并行计算框架,cuDNN(CUDA Deep Neural Network library):是NVIDIA打造的针对深度神经网络的加速库,是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型,cuDNN不是必须的,但是一般会采用这个加速库。
本项目中需要使用GPU进行神经网络的训练,故CUDA 和 cuDNN都需要安装。
需要注意的是,CUDA 和 NVIDIA的版本对应关系是非常重要的,而tensorflow-gpu和CUDA、cuDNN的版本都有严谨的对应关系,版本不对应将无限bug。建议读者先查询tensorflow-gpu的版本对应关系表,再查询CUDA对应NVIDIA驱动版本关系表。
阅表后,按照以下顺序进行安装:显卡驱动更新(去n卡官网即可实现)—— CUDA —— cuDNN 在安装cuDNN时,需注意cuDNN库并不是运行程序,只需要下载解压 cuDNN 文件,并配置 Path 环境变量即可。
具体安装操作步骤,请参考:CUDA & cuDNN
三、安装 tensorflow-gpu & keras-gpu==2.6.0
tensorflow-gpu 可以直接在pycharm中使用
pip install tensorflow-gpu==你需要的版本 -i https://pypi.mirrors.ustc.edu.cn/simple
特别注意,不要安装tensorflow 否则 会自动有限使用cup版本的神经网络。
在pycharm中直接安装keras-gpu==2.6.0
安装后可以使用下面的测试代码进行环境测试,可以输出正确的tf-gpu版本即为环境安装成功。
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
a = tf.constant(1.)
b = tf.constant(2.)
print(a+b)
print(tf.__version__)
print('GPU:', tf.config.list_physical_devices('GPU'))
print(tf.test.is_gpu_available())
效果如下:
四、安装opencv
pip install opencv-python -i https://pypi.mirrors.ustc.edu.cn/simple
总结:笔者的显卡版本是GTX1050的直接更新了497.29版本的驱动;CUDA 11.2 ; cuDNN 8.2.0 ; Tensorflow-gpu 2.6.0 ; python 3.8 ; keras-gpu 2.6.0