GPU环境配置与Faster-Rcnn训练记录

GPU环境配置与Faster-Rcnn训练记录

我是参考Bubbliiiing博主的内容进行学习的，这是他的主页：
https://blog.csdn.net/weixin_44791964?spm=1001.2014.3001.5509
关于windows下的tensorflow-gpu=1.13.2环境配置可参考：
https://blog.csdn.net/weixin_44791964/article/details/104702142
我在这里只是记录一下我自己的操作流程。

具体的环境内容如下：
tensorflow-gpu：1.13.2
keras：2.1.5
numpy：1.17.4

我的电脑配置：
win10, 1050ti, 显存4G

Anaconda的安装就不说了，直接从cuda的安装说起，安装时需要注意以下几个问题：

1. 安装cuda时，许可协议里选自定义，只选择CUDA，并且取消勾选CUDA里的visual studio integration选项。
2. 添加系统环境变量：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64，并上移到第3位。（这一步很重要）
   
   查看cuda的版本
   

tensorflow-gpu的环境创建

conda create -n ten python=3.6 在conda下创建新环境，ten为环境名称，如需要指定python，后面可加版本。

pip list 查看该环境下的包及版本

如果里面有tensorflow系列，需要删除，如下：

最后清理到清单里只剩下这些，就OK了，如下：

安装自己想要安装的tensorflow-gpu版本，
pip install tensorflow-gpu==1.13.2 -i https://pypi.douban.com/simple

安装keras

在pycharm里添加自己创建的环境
Pycharm添加已存在的环境是在 existing environment 这里面找，如下：

这就是安装的大致过程，下面是一些小小的收获：
1、conda info -e 查看conda创建的环境。

2、在创建好的环境里，缺啥安装啥就行，可以指定版本。
3、-i https://pypi.douban.com/simple 加上这个下载比较快。

Faster-rcnn训练记录
刚开始没有配置好GPU，所以使用CPU进行训练，我的数据集只标注了100幅，图像分辨率为1350*1080，迭代100次，训练了36个小时，loss曲线是输入到excel里做的，目前我还不会让它自动生成。

最后的预测效果就是这样的：

在GPU上训练的话，我只训练40次显存就爆了…，所以没有训练成功。

总结：

1. 学会了在conda里创建环境，这样对下载的不同代码可以单独创建一个相配套的环境。
2. 数据集太少了，训练的loss值有点大（也可能是参数设置的问题）。
3. 一些模型评价指标需要尽快了解。