把之前在csdn上写的两篇文章直接搬过来啦
不久前看到了知乎上的一篇文章，《疫情期间大学生应该如何提升自己》，看完所有的文字，就觉得自己参加这样一个大创项目是多么的必要，目前大二的我已经参与了这是第二个大创项目，很幸运身边可以有大佬朋友愿意带我，但是说实话，第一个大创项目，我没有非常认真的去参与，这真是我非常后悔的一点，到现在也还没有结题，所以可能后期希望自己能为团队贡献自己的一点力量。但是！在这里我准备记录我参与的第二个大创项目，从组队到联系老师，再到写申请立项书，我都参与其中，希望能够真正的主动地去学习到有用的东西。
好了，话不多说，开始今天的记录。
首先，有目标才会有动力，有目标才会有计划。
我们的项目是基于深度学习中的卷积神经网络（Faster R-CNN)以及YOLOv3预测模型，并不断用机器学习来优化算法，按照项目负责人的要求，近两周的学习计划如下，主要是先打个基础：
- 学习深度学习相关知识。上http://eds.tju.edu.cn/ermsClient/browse.do查阅相关文献。top等级的论文几乎都在SCI上，登录资源平台外文数据库第一个web of science。
- 熟悉tensorflow框架。安装Anaconda，它是一个容器，然后在它里面可以搭建深度学习环境，安装Python, Numpy， Matplotlib，Tensorflow或者pytorch包。代码编辑器可以用VS code。
- 学习相关编程语言的语法。我们的算法用python实现，web用html+javascript。
今天准备先搭建好tensorflow框架。
在网上看到，2019年春季，google发布了Tensorflow2.0测试版本。
指导老师温馨提醒：要注意自己的机器的配置，尤其是显卡。一般nVidia显卡可以装tensorflow的GPU版本，不是的话就装CPU版本。
笔者在我的电脑中的管理查了一下自己的显卡，发现自己的是Nvida GTX1050 Ti,运算能力4以上，符合安装GPU版本的要求。
Anaconda + TensorFlow 2.0 GPU安装
Anoconda3下载
下载官网Anoconda3下载地址
建议安装Python 3.7 version,之后的操作比较方便
下载下来后一直next
安装好后在开始菜单中找到Anaconda Prompt（开始菜单），如下图：
在命令行中输入
1 | conda create -n your_env_name python=X.X |
your env name可以自己改，最好和用这个环境要安装的主力包有关，比如我用这个环境装了Tensorflow2.0.0beta1-gpu，我就把环境简单命名成tf2.0b。后面跟的是python版本号，因为我下的是3.7所以就改成python=3.7。之后让你回答Y/N，输入y就好。
安装成功后，命令行中输入
将环境激活，结果如图：
这个时候就可以在自己的虚拟环境下安装Tensorflow或者Pytorch, Numpy， Matplotlib等了。
Tensorflow2.0 GPU安装
Tensorflow2.0还没被收到anaconda库，所以需要用pip安装。
1 | pip install tensorflow-gpu==2.0.0b1 |
之后就一直安装就可以了，这个过程我花了几乎一天的时间下载，安装好了命令行输入：
1 | conda list |
可以看到
有以上图中显示的条目，包括上面还有keras的，因为tf2.0把keras高度集成了。
接下来如果是安装的CPU，就不会有以下的步骤了。
安装cuda和cudnn
这个我本来以为只用用命令行就可以安装，于是之前试了用conda直接下载。tf2.0对于cuda的支持暂时仅限于10.0，cudnn是7.6.0。所以安装的时候要指定版本号。
在命令行输入如下：
1 | conda install cudnn=7.6.0 |
但是后来过了一天打开tensorflow，准备运行一下简单的“Hello, tensorflow!”的程序，结果第一步import tensorflow就一直在报错，如下图：
是cuda和cudnn的问题，查了很多资料也没解决，于是去问了老师，老师说不能直接用虚拟环境下的命令行来安装cuda和cudnn，还是之前踩了坑，所以还是应该在网上下载好安装包，于是在网上按照教程开始下载安装。
安装CUDA Toolkit + cuDNN
1.查看需要安装的CUDA+cuDNN版本
注意，tensorflow是在持续更新的，具体安装的CUDA和cuDNN版本需要去官网查看，要与最新版本的tensorflow匹配。
2.下载CUDA + cuDNN
在这个网址查找CUDA已发布版本：https://developer.nvidia.com/cuda-toolkit-archive
下载好CUDA Toolkit 10.0 后，我们开始下载cuDnn，需要注意的是，下载cuDNN需要在nvidia上注册账号，使用邮箱注册就可以，免费的。登陆账号后才能下载。
cuDNN历史版本在该网址下载：https://developer.nvidia.com/rdp/cudnn-archive
重要的一步：卸载显卡驱动
由于CUDA Toolkit需要在指定版本显卡驱动环境下才能正常使用的，所以如果我们已经安装了nvidia显卡驱动（很显然，大部分人都安装了），再安装CUDA Toolkit时，会因二者版本不兼容而导致CUDA无法正常使用，这也就是很多人安装失败的原因。而CUDA Toolkit安装包中自带与之匹配的显卡驱动，所以务必要删除电脑先前的显卡驱动。
（搜索栏—-控制面板—程序—-卸载或更改程序—-选择NVIDIA的显卡驱动）
安装CUDA
我在安装的时候遇到了一个问题，显示Chrome_elf.dll不能创建，查了一下资料，把电脑360安全防护什么的关掉就行了，但是并不知道是什么原理。
点击下载好的安装包，选择安装的文件夹，同意并继续，然后下面这里选择自定义：
后面一系列通过以后，又遇到了这个问题：
百度了一下，才发现是VS的问题
于是我找了所有有关的百度，找到了DDU，它可以帮助我们删除显卡驱动，于是就去下载了（网址：https://www.wagnardsoft.com/forums/viewtopic.php?f=5&t=1490 ）
运行成功后重启电脑，然后重新安装cuda，这时候就要比较小心，点击自定义，转到另一个可以自定义功能的界面，把vs相关的那一项的勾选去掉，然后就ok了，最后显示安装成功！亲测有效啊！
接下来，解压cudnn下载下来的压缩文件的三个文件夹，拷贝到CUDA安装的根目录下。
下面要进行环境变量的配置。
将下面四个路径加入到环境变量中，注意要换成自己的安装路径。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp
到此，全部的安装步骤都已经完成，我们来测试一下。
1 | import tensorflow as tf |
2.查看在使用哪个GPU
1 | from tensorflow.python.client import device_lib |
好了，到这里终于大功告成，下载安装这个从昨天到今天又弄了大半天，于是打算今天稍晚点再开始真正的跑跑代码，学习一下tensorflow的一些基本用法和算法实例。
安装matplotlib
命令行输入：
1 | pip install matplotlib |
显示结果如下，则安装成功。
至此，环境基本上都搭建好了，用来写代码的vs code 之前也已经安装过了。