2021-07-14 搭建深度学习训练的开发环境

24 篇文章 1 订阅

参考深度学习图像识别技术:基于TensorFlow Object Detection API和OpenVINO工具套件
在这里插入图片描述
!注意 书里配置的Tensorflow == 1.xx Python的版本一定要在3.7以下。
Tensorflow1和2语法差别明显,慎重
在这里插入图片描述

以下是配置过程中遇到的一些坑,以书为主线,遇到问题再来查看。

Q1. 如何安装过往版本Anaconda?

参考https://blog.csdn.net/land_litao/article/details/116256624

https://repo.anaconda.com/archive/
在这里插入图片描述
全部默认!记住关键的一步
在这里插入图片描述

Q2.如何配置Anaconda软件包下载服务器?

Anaconda软件包下载服务器的默认地址在国外,由此导致软件包下载速度不太稳定,有时较慢。软件包下载速度慢是导致Anaconda软件包安装失败的主要原因。

channels:
  - defaults
show_channel_urls: true
channel_alias: https://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
ssl_verify: true

Q3.如何创建虚拟环境?

创建虚拟环境的重要性:由于Anaconda的默认虚拟环境base(root)中已安装的软件包太多,且这是唯一默认的虚拟环境,不能删除(Remove),所以需要新建一个专门用于深度学习的虚拟环境,并在这个虚拟环境中安装需要的软件包。另外,当在这个虚拟环境安装软件包的过程中出现重大错误导致开发环境崩溃,或者不想继续使用这个虚拟环境时,可以一键删除这个虚拟环境。

Q4.Anaconda进阶

第一,Anaconda用户手册(https://docs.anaconda.com/anaconda/user-guide/),可以帮助读者进一步熟悉Anaconda这个工具。
第二, Conda命令速查手册(https://docs.conda.io/projects/conda/en/latest/user-guide/cheatsheet.html#),可以帮助读者进一步熟悉conda命令。

Q5.安装Visual Studio Code

目的:提高效率

Visual Studio Code具有语法高亮、代码补全及多插件支持等功能,大大提高了Python代码的开发效率,本书推荐将Visual StudioCode作为Python代码的集成开发环境(IDE)

在这里插入图片描述

Q6.Tensorflow == 1.13.1

在这里插入图片描述

Q7.Git

注意,其它基本默认
在这里插入图片描述

Q8.TensorFlow Object Detection API

TensorFlow Object Detection API是一个在TensorFlow基础上开发出来的用于计算机视觉领域实现在图像中检测并定位多个目标物体的软件框架。

Q9.安装COCO API–安装Microsoft Visual C++ Build Tools 2015安装包损坏问题?

TensorFlow Object Detection API默认评估指标是PascalVOC,若希望使用COCO评估指标,则需要安装pycocotools,具体步骤如下。

第一步

https://blog.csdn.net/zw521cx/article/details/117368970

用离线包
在这里插入图片描述

Q10.测试ssd_inception_v2_coco

这个例子在哪?
http://download.tensorflow.org/models/object_detection/ssd_inception_v2_coco_2018_01_28.tar.gz

本书代码:● 360网盘下载:https://yunpan.360.cn/surl_yqMKweHiZRL(提取码:af62)。object_detection_example_1.py

可能需要装cuDNN,甚至重装NAVIDIA

参考:https://blog.csdn.net/u011473714/article/details/95042856

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

本课程适合具有一定深度学习基础,希望发展为深度学习之计算机视觉方向的算法工程师和研发人员的同学们。基于深度学习的计算机视觉是目前人工智能最活跃的领域,应用非常广泛,如人脸识别和无人驾驶中的机器视觉等。该领域的发展日新月异,网络模型和算法层出不穷。如何快速入门并达到可以从事研发的高度对新手和中级水平的学生而言面临不少的挑战。精心准备的本课程希望帮助大家尽快掌握基于深度学习的计算机视觉的基本原理、核心算法和当前的领先技术,从而有望成为深度学习之计算机视觉方向的算法工程师和研发人员。本课程系统全面地讲述基于深度学习的计算机视觉技术的原理并进行项目实践。课程涵盖计算机视觉的七大任务,包括图像分类、目标检测、图像分割(语义分割、实例分割、全景分割)、人脸识别、图像描述、图像检索、图像生成(利用生成对抗网络)。本课程注重原理和实践相结合,逐篇深入解读经典和前沿论文70余篇,图文并茂破译算法难点, 使用思维导图梳理技术要点。项目实践使用Keras框架(后端为Tensorflow),学员可快速上手。通过本课程的学习,学员可把握基于深度学习的计算机视觉的技术发展脉络,掌握相关技术原理和算法,有助于开展该领域的研究与开发实战工作。另外,深度学习之计算机视觉方向的知识结构及学习建议请参见本人CSDN博客。本课程提供课程资料的课件PPT(pdf格式)和项目实践代码,方便学员学习和复习。本课程分为上下两部分,其中上部包含课程的前五章(课程介绍、深度学习基础、图像分类、目标检测、图像分割),下部包含课程的后四章(人脸识别、图像描述、图像检索、图像生成)。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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