linux下安装miniconda3，tensorflow-gpu，配置object detection API，转tflite模型

最新推荐文章于 2024-07-23 17:21:11 发布
最新推荐文章于 2024-07-23 17:21:11 发布
阅读量1.4k 收藏 4
点赞数 1
分类专栏： 系统、软件与环境配置 文章标签： tensorflow linux python
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/qq_33682559/article/details/119956103
版权

禁止转载

文章目录

第一部分：首先配置conda

1. 下载miniconda3（有博客提到过，不要下载最新版本的，可能不太支持安装某些包）

wget -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.6.14-Linux-x86_64.sh

2. 添加权限，并运行

chmod 777 Miniconda3-4.6.14-Linux-x86_64.sh
bash Miniconda3-4.6.14-Linux-x86_64.sh

按指示输入ENTER，yse，注意记录下安装路径
是否初始化时(是否添加环境变量)：可以选择yes，但是不太建议

初始化时选择no的：手动添加环境变量

export  PATH="/home/genius01/miniconda3/bin:"$PATH

# 进入.bashrc文件 （~/表示进入当前用户的主目录）
vim ~/.bashrc

# 按'A'键，进入INSERT模式，在最后面添加下面代码
# 注意：这儿的路径时之前安装miniconda3时的路径
export  PATH="/home/genius01/miniconda3/bin:"$PATH

# 按'Esc'退出INSERT模式
# 输入 :wq 保存更改并退出,(:q是不保存退出)

# 执行刚修改的初始化文件，使之立即生效
source ~/.bashrc

在这里插入图片描述

3. 验证conda是否可以使用

输入命令conda，如果有提示信息则成功
在这里插入图片描述

4. 添加清华镜像源

添加清华镜像
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2

#显示检索路径
conda config --set show_channel_urls yes

#显示镜像通道
conda config --show channels

第二部分：conda已经配置成功，开始配置object detection API

项目地址：github地址

本次安装的是tenforflow1，根据上面的要求安装指定版本的tensorflow，python，protobuf
在这里插入图片描述
在这里插入图片描述

5. 创建一个环境，方便管理

创建python=3.6的conda环境

conda create -n cctf15 python=3.6

检查python版本，命令行输入python -V或者python -version
进入该环境source activate cctf15 ，后面的步骤都是在该环境下进行
离开环境source deactivate

有一个问题：如果用conda activate cctf15时，里面的python版本仍是3.7的，但是使用source activate cctf15时，python版本就是3.6的，不知道是为什么？？？？tensorflow版本也有这样的问题

6. 安装指定版本的tensorflow

pip install tensorflow-gpu==1.15

检查tensorflow版本，进入python模式

import tensorflow as tf
tf.__verion__

检查tensorflow GPU是否正常使用

import tensorflow as tf
print('GPU:',tf.test.is_gpu_available()

如果最后在屏幕上可以看到 GPU: True ，则表示GPU可以使用
在这里插入图片描述

如果GPU:Fasle，显示以下信息，表示GPU不可用：

2021-08-27 08:21:01.810046: W tensorflow/stream_executor/platform/default/dso_loader.cc:55] Could not load dynamic library 'libcudart.so.10.0'; dlerror: libcudart.so.10.0: cannot open shared object file: No such file or directory
2021-08-27 08:21:01.810128: W tensorflow/stream_executor/platform/default/dso_loader.cc:55] Could not load dynamic library 'libcublas.so.10.0'; dlerror: libcublas.so.10.0: cannot open shared object file: No such file or directory
2021-08-27 08:21:01.810200: W tensorflow/stream_executor/platform/default/dso_loader.cc:55] Could not load dynamic library 'libcufft.so.10.0'; dlerror: libcufft.so.10.0: cannot open shared object file: No such file or directory
2021-08-27 08:21:01.810268: W tensorflow/stream_executor/platform/default/dso_loader.cc:55] Could not load dynamic library 'libcurand.so.10.0'; dlerror: libcurand.so.10.0: cannot open shared object file: No such file or directory
2021-08-27 08:21:01.810337: W tensorflow/stream_executor/platform/default/dso_loader.cc:55] Could not load dynamic library 'libcusolver.so.10.0'; dlerror: libcusolver.so.10.0: cannot open shared object file: No such file or directory
2021-08-27 08:21:01.810403: W tensorflow/stream_executor/platform/default/dso_loader.cc:55] Could not load dynamic library 'libcusparse.so.10.0'; dlerror: libcusparse.so.10.0: cannot open shared object file: No such file or directory
2021-08-27 08:21:01.815666: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcudnn.so.7
2021-08-27 08:21:01.815698: W tensorflow/core/common_runtime/gpu/gpu_device.cc:1641] Cannot dlopen some GPU libraries. Please make sure the missing libraries mentioned above are installed properly if you would like to use GPU. Follow the guide at https://www.tensorflow.org/install/gpu for how to download and setup the required libraries for your platform.
Skipping registering GPU devices...
2021-08-27 08:21:01.816853: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1159] Device interconnect StreamExecutor with strength 1 edge matrix:
2021-08-27 08:21:01.816872: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1165]      0 1 2 3 
2021-08-27 08:21:01.816885: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1178] 0:   N Y Y Y 
2021-08-27 08:21:01.816894: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1178] 1:   Y N Y Y 
2021-08-27 08:21:01.816903: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1178] 2:   Y Y N Y 
2021-08-27 08:21:01.816912: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1178] 3:   Y Y Y N 
GPU: False

在这里插入图片描述
在这里插入图片描述
参考解决办法
服务器安装的版本是10.1，但是tensorflow-gpu==1.15版本支持10.0，还不支持10.1，在该环境中安装10.0版本即可

conda install cudatoolkit=10.0

7. 安装编译工具protobuf

该工具能够将object detection api中的.proto文件编译为.py文件

protobuf(Google Protocol
Buffers)是Google提供一个具有高效的协议数据交换格式工具库(类似Json)，提供了对C++、java、python语言的支持，能将windows(proto.exe)和linux平台动态编译生成proto文件对应的源文件

conda install -c anaconda protobuf
# 检查版本是否符合要求，命令行输入
protoc --version

8. 下载object detection api源码，github地址

可以直接手动下载，也可以用git

git clone https://github.com/tensorflow/models.git

下载的文件解压保存在一个目录下，不能删除的，记一下保存路径（后面会用这个路径配置环境变量的，所以不要随便放，路径中最好不要带中文），解压后的新式如下图：

在这里插入图片描述

9. 开始编译.proto文件

# 进入到下载源码中的research文件夹中，后面的基本都是在这个目录下面进行的，或者直接使用绝对路径
cd models_master/research

# 将object_detection/protos文件夹下的全部.proto文件编译为.py文件
protoc object_detection/protos/*.proto --python_out=.

10. 安装一些其他要用到的包

research/object_detection/packages/tf1/文件夹下的setup.py文件中，有说明需要安装哪些必需的包，可以直接执行这个文件，开始安装，也可以在后面直接运行测试文件时，看缺少哪些包就自己安装哪些包(不建议，因为后面会提示很多包没装，自己装的，还出问题)

# 复制object_detection/packages/tf1/文件夹下的setup.py文件到research文件夹下  
cp object_detection/packages/tf1/setup.py .

# 执行这个文件，自动安装必需的包
python -m pip install --use-feature=2020-resolver .

11. 将object detection 添加到环境变量中，如果不添加，后面会提示找不到object_detection的

有两种方法：

注意，这里的路径是解压model_master源码时的路径，所以这个源码路径千万不要随便放

（1） 方法一：每次进入该环境时，命令行输入

export PYTHONPATH=$PYTHONPATH:/home/genius01/chenmq/models-master:/home/genius01/chenmq/models-master/research:/home/genius01/chenmq/models-master/research/slim

（2）方法二：在.bashrc文件中，添加这个路径，就不用每次都输入了
在这里插入图片描述

12. object detection api已经配置完成了，可以测试一下

执行object_detection/builders文件夹下的model_builder_tf1_test.py文件

python object_detection/builders/model_builder_tf1_test.py

出现下面信息就表示配置成功
在这里插入图片描述
在这里插入图片描述

第三部分：配置转tflite模型的编译环境（可选）

要使用tensorflow源码中的工具，必选先用bazel进行编译，编译后，就可以直接使用，需要的工具有freeze_graph（将模型进行固化，生成frozen的graphdef文件）、summarize_graph（查看图结构）、toco（转为tflite）

其实在anaconda的环境中就有转tflite的工具tflite_convert，toco，可以命令行输入tflite_convert，toco查看，但是没有freeze_graph工具，如果是只使用object detection API中的SSD模型，可以跳过此部分，github上有提到过，目前还只支持SSD模型进行转tflite，也只看到了生成SSD冻结图的.py文件
在这里插入图片描述

13. 下载tensorflow源码

下载对应版本的tensorflow源码，下载地址 ，将下载的包进行解压缩
在这里插入图片描述

14. 安装bazel，下载二进制源码进行安装

bazel官网 上面有详细的安装步骤

  • 查看该tensorflow对应的bazel版本要求，打开tensorflow源码解压文件，找到configure.py文件，里面有些bazel版本要求

    _TF_BAZELRC_FILENAME = '.tf_configure.bazelrc'
_TF_WORKSPACE_ROOT = ''
_TF_BAZELRC = ''
_TF_CURRENT_BAZEL_VERSION = None
_TF_MIN_BAZEL_VERSION = '0.24.1'
_TF_MAX_BAZEL_VERSION = '0.26.1'

在这里插入图片描述

  • 下载对应版本的二进制安装程序，下载地址
    下载了0.26.0版本的，编译时出了点问题，以为是版本的原因，所以又重新装了0.25.3版本的，最后编译成功的也是0.25.3，但是0.26.0也符合版本要求，应该也行的（没试过）
    在这里插入图片描述在这里插入图片描述

  • 安装bazel前需要安装必要的包，可以先看下这些包是否已经存在
    在这里插入图片描述命令行输入：which g++ ，检查是否已安装g++
    在这里插入图片描述命令行输入：unzip 或者 zip，验证unzip、 zip是否已经安装
    在这里插入图片描述

  • 执行安装文件
    先进入到安装文件所在的目录下，再执行下面两行命令
    在这里插入图片描述

    chmod +x bazel-0.26.0-installer-linux-x86_64.sh
./bazel-0.26.0-installer-linux-x86_64.sh --user

  • 配置环境变量
    方法一：执行完上面的命令后，在屏幕上会提示，怎么配置环境变量的，但是和官网上建议的方式不同，推荐使用这种方式
    在这里插入图片描述
    打开.bashrc文件，在末尾添加
    source /home/genius01/.bazel/bin/bazel-complete.bash
    如图所示：

    在这里插入图片描述
    方法二：官网上建议的配置环境变量方式
    如果在执行安装文件时，后边添加了--user的，就可以直接在.bashrc文件中，添加export PATH="$PATH:$HOME/bin"即可
    在这里插入图片描述

  • 安装结束，检查bazel版本
    命令行输入：bazel verion
    （后来又装了0.25.3这个版本的）
    在这里插入图片描述

15. 使用bazel进行编译

将模型转为tflite形式需要三步：

  • 在训练模型时保存图模型文件（GraphDef）和变量文件（CheckPoint）
  • 将模型固定化，使用freeze_graph工具生成frozen的graphdef文件，也可以使用，onject detection api中的代码将SSD模型进行转换（好像只能转SSD模型）
    models-master/research/object_detection/export_tflite_ssd_graph.py
  • 利用toco工具，生成最终的tflite文件

该部分都需要在tensorflow源码目录下进行cd /home/genius01/chenmq/tensorflow-1.15.0

  • 编译freeze_graph工具
    命令行输入：bazel build tensorflow/python/tools:freeze_graph
    编译未完全成功，显示以下信息：
    在这里插入图片描述

    INFO: An error occurred during the fetch of repository 'jsoncpp_git'
INFO: Call stack for the definition of repository 'jsoncpp_git':
 - /opt/home/genius01/chenmq/tensorflow-1.15.0/tensorflow/workspace.bzl:570:5
 - /opt/home/genius01/chenmq/tensorflow-1.15.0/WORKSPACE:19:1
ERROR: /opt/home/genius01/chenmq/tensorflow-1.15.0/tensorflow/core/kernels/BUILD:761:1: no such package '@mkl_dnn//': java.io.IOException: Error downloading [https://storage.googleapis.com/mirror.tensorflow.org/github.com/intel/mkl-dnn/archive/v0.20.6.tar.gz, https://github.com/intel/mkl-dnn/archive/v0.20.6.tar.gz] to /opt/home/genius01/.cache/bazel/_bazel_genius01/a173d4060bc60e833406d954ffbd0b34/external/mkl_dnn/v0.20.6.tar.gz: Checksum was f1de676fddeb94132c5ae480fb03a64f03deda10b09b3141373f2b2fe5cd031d but wanted 74675e93eef339ff3d9a9be95c15d0c7ad8736a5356c23428ab2e33dcdb8e3e1 and referenced by '//tensorflow/core/kernels:eigen_contraction_kernel_with_mkl'
ERROR: Analysis of target '//tensorflow/python/tools:freeze_graph' failed; build aborted: no such package '@mkl_dnn//': java.io.IOException: Error downloading [https://storage.googleapis.com/mirror.tensorflow.org/github.com/intel/mkl-dnn/archive/v0.20.6.tar.gz, https://github.com/intel/mkl-dnn/archive/v0.20.6.tar.gz] to /opt/home/genius01/.cache/bazel/_bazel_genius01/a173d4060bc60e833406d954ffbd0b34/external/mkl_dnn/v0.20.6.tar.gz: Checksum was f1de676fddeb94132c5ae480fb03a64f03deda10b09b3141373f2b2fe5cd031d but wanted 74675e93eef339ff3d9a9be95c15d0c7ad8736a5356c23428ab2e33dcdb8e3e1
INFO: Elapsed time: 95.256s
INFO: 0 processes.
FAILED: Build did NOT complete successfully (245 packages loaded, 10080 targets configured)

    解决方法：在提示中可以看到，有两个包未成功下载，可以根据上面的下载链接，手动下载这两个包后，放在提示中指定的文件夹下即可
    在这里插入图片描述
    再重新执行编译命令，显示编译成功啦
    在这里插入图片描述

  • 编译toco工具
    命令行输入：bazel build tensorflow/lite/toco:toco
    编译成功，显示以下信息
    在这里插入图片描述

第四部分：进行checkpoint模型转tflite模型

已经有训练好的模型，训练分量化训练和非量化训练的，之间的差别还需要继续学习，注意下这个坑，参考
在这里插入图片描述

方法一：非量化训练的模型进行转tflite

16. 将模型进行固化

参考
在训练模型的时候，需要保存模型的图结构文件.pb和参数文件.ckpt，但是现在只保存了.ckpt文件，没有.pb文件，所以没有使用freeze_graph工具来进行固化模型，仍使用的是object detection API中的export_tflite_ssd_graph.py将模型转为tflite兼容的冻结图，见方法二中的16，这部分还是很清楚

17. 转tflite模型

  • 使用tensorflow源码编译的toco工具进行转换
    在这里插入图片描述

    cd tensorflow-1.15.0  # 源码目录中
cd tensorflow/lite/toco # toco目录中

# 执行命令
toco \
--output_file=/opt/home/genius01/chenmq/model/0830_pbmodel/yyrescue_toco_2.tflite \ # 输出tflite模型
--graph_def_file=/opt/home/genius01/chenmq/model/0830_pbmodel/tflite_graph.pb \ # 冻结图.pb文件
--output_format=TFLITE \
--inference_type=QUANTIZED_UINT8 \
--input_arrays=normalized_input_image_tensor \
--input_shapes=1,300,300,3 \
--output_arrays="TFLite_Detection_PostProcess","TFLite_Detection_PostProcess:1","TFLite_Detection_PostProcess:2","TFLite_Detection_PostProcess:3" \
--mean_value=128 \
--std_dev_values=128 \
--change_concat_input_ranges=false \
--allow_custom_ops \
--post_training_quantize # 非量训练一定要加上这个

  • 使用anaconda中自带的toco工具进行转换
    在这里插入图片描述

    # 不需要进入任何目录下
which toco # 查看toco所在位置
toco -h #查看帮助信息

# 命令行输入
toco \
--output_file=/opt/home/genius01/chenmq/model/0830_pbmodel/yyrescue_toco_2.tflite \
--graph_def_file=/opt/home/genius01/chenmq/model/0830_pbmodel/tflite_graph.pb \
--output_format=TFLITE \
--inference_type=QUANTIZED_UINT8 \
--input_arrays=normalized_input_image_tensor \
--input_shapes=1,300,300,3 \
--output_arrays="TFLite_Detection_PostProcess","TFLite_Detection_PostProcess:1","TFLite_Detection_PostProcess:2","TFLite_Detection_PostProcess:3" \
--mean_value=128 \
--std_dev_values=128 \
--change_concat_input_ranges=false \
--allow_custom_ops \
--post_training_quantize

  • 使用anaconda 中自带的tflite_convert工具
    在这里插入图片描述

    # 退出tensorflow源码目录
which tflite_convert  # 查看该工具所在的位置
tflite_convert -h # 查看帮助

# 命令行输入
tflite_convert \
--graph_def_file=/opt/home/genius01/chenmq/model/0830_pbmodel/tflite_graph.pb \
--output_file=/opt/home/genius01/chenmq/model/0830_pbmodel/yyrescue_anaconda.tflite \
--input_shapes=1,300,300,3 \
--input_arrays=normalized_input_image_tensor \
--output_arrays="TFLite_Detection_PostProcess","TFLite_Detection_PostProcess:1","TFLite_Detection_PostProcess:2","TFLite_Detection_PostProcess:3" \
--output_format=TFLITE \
--mean_values=128 \
--std_dev_values=128 \
--change_concat_input_ranges=false \
--allow_custom_ops \
--post_training_quantize

方法二：量化训练转tflite，即在.config文件中，末尾加上

# This is where model quantization comes in. Quantization compresses the weights and activations in our model to an 8-bit fixed point representation. The following lines in our config file will generate a quantized model:
graph_rewriter {
  quantization {
    delay: 1800
    activation_bits: 8
    weight_bits: 8
  }
}

16. 将模型进行固化

使用object detection api中的代码models-master/research/object_detection/export_tflite_ssd_graph.py 将ckpt模型进行固化
执行代码注意路径，推荐使用绝对路径

python /models-master/research/object_detection/export_tflite_ssd_graph.py \
--pipeline_config_path= ../conf/ssd_mobilenet_v2_coco_0903.config \
--trained_checkpoint_prefix ../model/0903/model.ckpt-30000 \
--output_directory ../model/0903_pbmodel/ \
--add_postprocessing_op=true &> ../log/convert2pb_0903.log

在这里插入图片描述

17. 转tflite模型

  • 使用tensorflow源码编译的toco工具

    cd tensorflow-1.15.0 # 进入tensorflow源码目录下
cd /tensorflow/lite/toco # 进入toco工具目录下

toco \
--output_file=/opt/home/genius01/chenmq/model/0903_pbmodel/yyrescue_toco_1.tflite \
--graph_def_file=/opt/home/genius01/chenmq/model/0903_pbmodel/tflite_graph.pb \
--inference_type=QUANTIZED_UINT8 \
--input_arrays=normalized_input_image_tensor \
--output_arrays="TFLite_Detection_PostProcess","TFLite_Detection_PostProcess:1","TFLite_Detection_PostProcess:2","TFLite_Detection_PostProcess:3" \
--input_shapes=1,300,300,3 \
--mean_value=128 \
--std_dev_values=128 \
--change_concat_input_ranges=false \
--allow_nudging_weights_to_use_fast_gemm_kernel=true \
--allow_custom_ops

  • 使用anaconda中自带的tflite_convert工具

    # 命令行输入
tflite_convert \
--output_file=/opt/home/genius01/chenmq/model/0903_pbmodel/yyrescue.tflite \
--graph_def_file=/opt/home/genius01/chenmq/model/0903_pbmodel/tflite_graph.pb \
--inference_type=QUANTIZED_UINT8 \
--input_arrays=normalized_input_image_tensor \
--output_arrays="TFLite_Detection_PostProcess","TFLite_Detection_PostProcess:1","TFLite_Detection_PostProcess:2","TFLite_Detection_PostProcess:3" \
--input_shapes=1,300,300,3 \
--mean_value=128 \
--std_dev_values=128 \
--change_concat_input_ranges=false \
--allow_nudging_weights_to_use_fast_gemm_kernel=true \
--allow_custom_ops

    在这里插入图片描述

18. 测试tflite模型

运行测试代码时报错，导入import tflite_runtime.interpreter as tflite 包时报错，提示系统缺一个文件，但是由于权限不够，没法解决

(cctf15) genius01@81f8b62957a6:~$ python /opt/home/genius01/chenmq/bin/check_tflite_from_dir_with_visual.py --model_date=0830  --test_image_dir="/opt/home/genius01/chenmq/image/test/"
Traceback (most recent call last):
  File "/home/genius01/miniconda3/envs/cctf15/lib/python3.6/site-packages/tflite_runtime/interpreter_wrapper.py", line 14, in swig_import_helper
    return importlib.import_module(mname)
  File "/home/genius01/miniconda3/envs/cctf15/lib/python3.6/importlib/__init__.py", line 126, in import_module
    return _bootstrap._gcd_import(name[level:], package, level)
  File "<frozen importlib._bootstrap>", line 994, in _gcd_import
  File "<frozen importlib._bootstrap>", line 971, in _find_and_load
  File "<frozen importlib._bootstrap>", line 955, in _find_and_load_unlocked
  File "<frozen importlib._bootstrap>", line 658, in _load_unlocked
  File "<frozen importlib._bootstrap>", line 571, in module_from_spec
  File "<frozen importlib._bootstrap_external>", line 922, in create_module
  File "<frozen importlib._bootstrap>", line 219, in _call_with_frames_removed
ImportError: /lib/x86_64-linux-gnu/libm.so.6: version `GLIBC_2.27' not found (required by /home/genius01/miniconda3/envs/cctf15/lib/python3.6/site-packages/tflite_runtime/_interpreter_wrapper.so)

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "/opt/home/genius01/chenmq/bin/check_tflite_from_dir_with_visual.py", line 20, in <module>
    import tflite_runtime.interpreter as tflite
  File "/home/genius01/miniconda3/envs/cctf15/lib/python3.6/site-packages/tflite_runtime/interpreter.py", line 46, in <module>
    from tflite_runtime import interpreter_wrapper as _interpreter_wrapper
  File "/home/genius01/miniconda3/envs/cctf15/lib/python3.6/site-packages/tflite_runtime/interpreter_wrapper.py", line 17, in <module>
    _interpreter_wrapper = swig_import_helper()
  File "/home/genius01/miniconda3/envs/cctf15/lib/python3.6/site-packages/tflite_runtime/interpreter_wrapper.py", line 16, in swig_import_helper
    return importlib.import_module('_interpreter_wrapper')
  File "/home/genius01/miniconda3/envs/cctf15/lib/python3.6/importlib/__init__.py", line 126, in import_module
    return _bootstrap._gcd_import(name[level:], package, level)
ModuleNotFoundError: No module named '_interpreter_wrapper'

最后使用/usr/bin/python 系统中自带的python执行时，才运行成功
在这里插入图片描述

小金~~
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
conda/miniconda 安装tensorflow(GPU)_Linux_实录_2022.2.28
weixin_44249131的博客
02-28 372
conda/miniconda 安装tensorflow(GPU) 1.15.2 1.添加镜像源 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge conda config --add channels ht
基于TensorFlow Object Detection API使用ssd_mobilenet_v1训练自己的数据集并转换为tflite模型（亲测可用）
zjj7725的博客
12-03 2942
使用TensorFlow Object Detection API中mobilenet_ssd_v1训练并转换为tflite模型 1. 环境 OS: Ubuntu 16.04 x64 Anaconda: 4.6.12 Python: 3.6.8 TensorFlow（GPU版）: 1.13.1 OpenCV: 3.4.1 2. 基础环境配置 Anaconda 下载地址: Anaconda-4.6....
基于Miniconda3安装Tensorflow
RivenDong
05-25 3225
文章目录1. 下载Miniconda32. 安装完成后进行换源3. 创建Tensorflow环境3.1 创建一个虚拟环境3.2 激活创建的环境3.3 安装tensorflow4. 使用Pycharm设置tensorflow环境 1. 下载Miniconda3 Miniconda3下载地址 2. 安装完成后进行换源 使用管理员权限打开CMD窗口 conda config --set show_channel_urls yes 修改.condarc文件，将其内容更改为： channels: - defau
Linux 安装 miniconda
最新发布
It's You--MXL
07-23 188
Linux 安装 miniconda
安装gpu版tensorflow
linux服务器安装gpu版tensorflow
03-25 5366
linux服务器安装gpu版tensorflow 本人尝试在linux服务器安装gpu版tensorflow，在此记录一下我的安装过程。 1. 确定服务器的gpu型号 1、安装gpu版tensorflow需要先安装cuda，而cuda是nvidia显卡厂商推出的运算平台。所以只有配置了nvidia的显卡的服务器才能安装gpu版tensorflow。否则只能装cpu版本的。 在服务器输入： lspc...
Miniconda3的下载及安装、使用
weixin_60359250的博客
05-21 6533
值得观看：Miniconda3详细下载、安装、及简单的使用教程。
在Windows使用miniconda安装Tensorflow-GPU版，无需去Nvidia官网下载安装cuda和cudnn
cgwwujiwen的博客
01-07 2814
在Windows使用miniconda安装Tensorflow-GPU版，无需去Nvidia官网下载安装cuda和cudnn
Linux安装Anaconda3并创建虚拟环境来安装tensorflow-gpu和tensorflow-federated
12-21
以下将详细介绍如何在Linux上安装Anaconda3以及在其中创建一个名为“tff”的虚拟环境，然后安装TensorFlow-GPU和TensorFlow-Federated。 首先，你需要从清华大学的镜像站点下载Anaconda3的安装脚本。这可以通过运行...
使用Anaconda安装TensorFlow-GPU (conda install tensorflow-gpu)
热门推荐
王沛的博客
03-29 1万+
完整版请看原网站：Install TensorFlow-GPU by Anaconda (conda install tensorflow-gpu) 更多内容欢迎查看我的博客(https://wangpei.ink/) 该教程通过conda在conda environment中安装TensorFlow，这应该是目前安装TensorFlow或TensorFlow-GPU最简单的方法 现在，网上有很多...
出问题概率最低，最稳妥的用Anaconda安装TensorFlow-gpu版本方法
m0_51215142的博客
02-25 1938
重点，安装TensorFlow-gpu版本，只需要你提前安一个显卡驱动即可，不用换镜像源，不用提前去英伟达cuda官网，不用去cuDNN官网下一堆再安一堆东西（安装一整个cuda还占电脑更多硬盘，conda自动只会安装TensorFlow需要的cudatoolkit）
Linux服务器成功安装TensorFlow-GPU并成功调用GPU
qq_51570094的博客
04-12 9679
在我们做深度学习的时候，需要高速大量的运算，这就对我们的设备要求较高。在服务器上运行代码就成了一个不错的选择，但是服务器与我们常用的Windows系统是不一样的，Windows系统是图形交互界面的，我们完成所有的工作只需要点点点就行了，但是服务器就不一样，服务器多数都是命令交互式的，我们需要输入一个命令，然后在去查看或者修改东西。 下面就是在服务器运行深度学习代码的一个基础环境搭建教程，基于TensorFlow的。 假设我们拿到的是一个全新的安装好操作系统的服务器，那么我们需要进行一下几个步骤： 1.
Miniconda3-latest-Windows-x86_64.exe
05-22
Miniconda3-latest-Windows-x86_64.exe Miniconda3-latest-Windows-x86_64.exe
Miniconda3-py38_4.10.3-Windows-x86_64.zip
11-16
适用平台：windows x64系统 安装方式：双击exe文件按照提示步骤安装即可
numpy-2.0.0-cp311-cp311-win-amd64.whl
11-16
numpy-2.0.0-cp311-cp311-win-amd64.whl
Miniconda3-py311_23.5.0-3-Windows-x86_64.zip
11-16
适用平台：windows x64系统 安装方式：双击exe文件按照提示步骤安装即可
树莓派3B+中下载miniconda3(图文全过程)
m0_72811193的博客
05-21 412
Raspbian 下载 Miniconda 的方法和下载 Anacodna 差不多，可以使用。请确保将/home/pi/miniconda3/bin替换为你的miniconda安装路径。接下来根据提示，按 Enter 跳过安装协议（注意别按太快，否则会直接退出）进入终端在ls查看目录后（可省略），直接使用命令下载。可以使用nano或者vim，这里nano 为例子。先在树莓派终端中搜索，查看自己树莓派的版本。注意有一条确定安装位置的命令需要输入。ctrl+s保存后；2、在官网找到自己的版本对应。
用Ubuntu子系统下载安装Miniconda3（小白版）
wangcassy的博客
03-18 3921
在win10系统中用Ubuntu子系统下载安装Miniconda3
TensorFlow Object Detection API 实践
风吴痕的博客
09-27 8636
原文地址：https://mp.weixin.qq.com/s/eN41M1sMLxvQMEl0IhyC9w 官网地址： https://github.com/tensorflow/models/tree/master/research/object_detection1、API安装TF Object Detection API 安装步骤。 获取 TensorFlow Models 源码：#
conda安装tensorflow-gpu教程
04-14
请参考以下步骤进行conda安装tensorflow-gpu： 1. 打开Anaconda Prompt 2. 创建一个新的conda环境：conda create -n tf_gpu 3. 激活tf_gpu环境：conda activate tf_gpu 4. 安装tensorflow-gpu：conda install tensorflow-gpu 5. 验证tensorflow-gpu是否成功安装：python -c "import tensorflow as tf;print(tf.reduce_sum(tf.random.normal([1000, 1000])))" 以上是conda安装tensorflow-gpu的基本步骤，希望对你有所帮助。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值