Pix2pix项目（Keras）环境配置步骤指导说明

最新推荐文章于 2024-07-12 15:12:34 发布

钢盔女郎

最新推荐文章于 2024-07-12 15:12:34 发布

阅读量1.1k

点赞数 1

文章标签： tensorflow 深度学习 python 神经网络人工智能

本文链接：https://blog.csdn.net/weixin_43222706/article/details/109285774

版权

前言

本文章记录了本人在深度学习课程大作业过程中，整个环境的配置过程步骤。

我的项目名称是《基于Pix2pix的建筑标签图像翻译》：

基于深度学习框架Keras，实现Pix2pix图像生成对抗网络，以实现通过建筑语义标签图(以及带建筑的街道语义标签图)生成对应的“真实”建筑图像。

实验环境

Windows10
Anaconda3-2020.02-Windows-x86_64
Pycharm 2019.2.4
Python 3.6.5
Tensorflow-gpu 1.12.0
Keras 2.2.4
Tensorboard 1.12.2
Pydot-ng 2.0.0 + pydotplus 2.0.2

环境搭建步骤

一、下载Anaconda并安装

在浏览器中输入 https://www.anaconda.com/distribution/ ，需要选择Windows环境下的Python3.7版本，点击图中适合自己的版本，进行下载。
下载好软件后，双击安装软件
①注意软件名称及版本
②如出现windows10自带提示，均选择坚持运行(Run)

③一步一步进行安装

④注意一定要勾选这两个选项(注意：在选择安装文件夹时，所安装的完

整路径中都不能有文件夹名称有空格或包含中文字符)
点击install即可安装
配置环境变量
将自己的Python环境变量添加到path下：
测试Python的安装情况
同时按下电脑 Windows+R 键打开运行窗口，输入 cmd，点击确定。在命令行中键入Python，然后回车，会出现如图的显示：
安装完毕后，可以在开始菜单中看到如下图标

二、下载Pycharm并安装

访问官网 https://www.jetbrains.com/pycharm/download/ ，点击图中适合自己的版本，进行下载。下载完成后，选择安装包进行安装：
选择安装目录：
一路确定，完成安装：
激活Pycharm：
登录官网申请学生账户(使用学校的学生邮箱申请)：
账户申请成功并通过验证之后，打开pycharm，在help -> register中输入用户名密码：

最终激活成功如下：

三、在Pycharm中配置Anaconda环境

进入PyCharm，依次点击File-> Setting->Project Interpreter：
点击齿轮选择Add Local，点击第三个选项卡，将路径选为anaconda安装路径下的python.exe，确定后成功配置anaconda环境：
之后，在该环境下创建的工程就可以使用anaconda中已有的库了。

四、安装GPU的Tensorflow和Keras

因为在图像处理的神经网络上gpu和cpu速度差别很大。因此，安装gpu版本的tensorflow和keras。tensorflow-gpu是tensorflow的gpu版本，它必须通过 cuda 和 cudnn 来调用电脑的 gpu。

确认自身电脑的显卡所对应支持的 CUDA：
我的电脑上的显卡GPU为NVIDA GeForce GTX 1050
到
https://developer.nvidia.com/cuda-gpus网站确认该型号是否支持CUDA：
可以看到我的显卡型号是支持的。
到NVIDA官方网站https://developer.nvidia.com/cuda-90-download-archive?tdsourcetag=s_pctim_aiomsg 下载安装 CUDA Toolkit 9.0
打开下载好的安装包，一路确定进行安装：

安装成功之后，输入以下命令检查：
到https://developer.nvidia.com/cudnn 下载 cuDNN v7.6.5，并解压到目录，把对应的目录地址添加到path环境变量
下载cuDNN，需要先注册一个NVIDA的账号。点击Join now，注册账号，在邮箱中完成验证。

然后再到
https://www.tensorflow.org/install/source_windows 查找CUDA对应版本的cuDNN：
由于我的python版本是3.6.5，并且CUDA版本是9.0，因此综合考虑我选择安装红框的组合版本，即安装7.x.x版本的cuDNN。

登录账号，下载cuDNN的安装包。

解压安装后，将安装地址添加到环境变量：
安装对应的 tensorflow GPU版本和keras版本：
确定对应CUDA和cuDNN版本的GPU版的tensorflow：
安装1.12.0版本的tensorflow-gpu：
pip install tensorflow_gpu==1.12.0
确定对应tensorflow-gpu版本的Keras版本：

安装2.2.4版本的Keras：
pip install keras==2.2.4

安装完成后，使用命令查看所有设备：

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

使用GPU进行训练可以看到每一个epoch的训练速度快了很多：

五、安装Tensorboard

TensorBoard是TensorFlow下的一个可视化的工具，能在训练大规模神经网络时将复杂的运算过程可视化。TensorBoard能展示你训练过程中绘制的图像、网络结构等。
考虑到实验训练过程中，我使用的是以Tensorflow为后端的Keras，因此按照道理也可以使用Tensorboard来实现。

使用pip安装1.12.2版本的tensorboard：
输入pip install tensorboard==1.12.2命令以安装
启动tensorboard：
执行tensorboard --logdir=D:\ideaWorkPlace\Pycharm\pix2pix\boardLog，再访问localhost:6006。
如果启动报错ImportError: cannot import name '_message' from 'google.protobuf.pyext'，如下所示：
原因在于protobuf安装的是较新版本3.10.1，出现了不兼容的问题。把protobuf进行降级，从3.10.1降级到3.6.1，再重新启动即可。

六、安装pydot和graphviz——keras可视化

Keras支持将模型的结构图进行输出，从而实现整个模型以及各层结构的可视化。
运行项目中keras.utils的plot_model功能，需要安装官网上说的两个依赖包：pydot和graphviz。

pip install pydot-ng
pip install graphviz
pip install pydotplus
注意这里，之前我安装的是pydot，但会出现如下的错误：

原因是python3.5和3.6以上版本不再支持Graphviz，因此需要卸载pydot，安装pydotplus。
找到keras里面的utils\vis_utils.py，把里面的pydot的都替换成pydotplus
安装Graphviz软件
到官网下载graphviz的安装包(可选择msi格式)：
安装.msi安装包，并一直next确认：

将安装的客户端配置一下环境变量：

测试Graphviz是否安装成功：在cmd中输入
dot -version并回车，若显示出graphviz的相关版本信息，则安装配置成功。

通过models.py文件中的如下代码进行测试：

# 加载U-Net generator(decoder由upsampling上采样实现)
if model_name == "generator_unet_upsampling":
    model = generator_unet_upsampling(img_dim, bn_mode, model_name=model_name)
    model.summary()
    if do_plot:  # 用plot_model函数将模型的形状保存为图片
        from keras.utils import plot_model
        plot_model(model, to_file="../../figures/%s.png" % model_name, show_shapes=True, show_layer_names=True)
    return model