好久没用博客了，因为服务器原因重装了好几次，tensorflow也一直跟着重装，这篇博文相比上一篇会更完善点，用的版本也会新一些。主要记录在win10和ubuntu上配置Tensorflow目标检测接口的过程和一些遇到的问题，也会记录gpu版tensorflow的安装过程（CUDA和cuDNN）。在使用接口之前，请先确认自己能使用GPU版本的tensorflow！这篇只有配置，以后有时间记录下如何训练自己的数据集。最近tensorflow还开放了实例分割的接口，还得弄一弄，跟不上了呀~哈哈
注：还没安装CUDA和cuDNN的先看最下面的附
安装Tensorflow: pip install tensorflow-gpu (pip install –upgrade tensorflow-gpu)
现在没有说必须要python3.5才有tensorflow了，所以Anaconda也能装最新的
安装keras:pip install keras (pip install –upgrade keras)
下载（protoc-3.4.0-win32.zip）
- 请下载3.4.0版本的protobuf，3.5+版本会出现一个bug：在win10下无法理解*.proto ,所以输入下面的指令后会提示no such fileXXX 。
解压后将bin文件夹中的【protoc.exe】放到C:\Windows
- 此步骤需要windows文件夹的写入权限，但其实只要protoc.exe 在某个环境变量的目录下即可，不一定要在c:\wiindows。放在tensorflow\model\research，然后添加环境变量也可以。
在models\research目录下shift+右键打开Powershell窗口，输入：
protoc object_detection/protos/*.proto --python_out=.
不报错即可。
在Anaconda的包目录：C:\Users\LXY\Anaconda3\Lib\site-packages
新建.pth文件，加入以下两行路径:
C:\Users\LXY\TensorFlow\models\research
C:\Users\LXY\TensorFlow\models\research\slim
- 避免出现错误：no module name ‘object detection’，在Ubuntu的配置上也有类似步骤。
python object_detection/builders/model_builder_test.py
不报错即可
注：不同的TensorFlow版本要求不同的CUDA及其对应的cuDNN，eg. tensorflow1.3.0要求CUDA8.0
但是tensorflow1.6.0要求CUDA9.0，如果强行要CUDA9.1或者CUDA8.1请用大神们编译的.whl
因为用的Tensorflow1.6.0，所以下载CUDA9.0以及对应的cuDNN7.1.1（更正一下，只能用v7.0，在训练数据的时候才发现）
- 安装CUDA的时候，第一步是系统兼容性检查，如果这步出现Warning，没检查到合适硬件，先跳过，看能不能安装成功，可以成功的话就不用管这个兼容检查问题了。
- 新安装的CUDA不会覆盖原有CUDA的环境变量，而是排在原有变量的前面，所以当需要CUDA时，会优先检索新安装的CUDA。
安装完CUDA后，将cuDNN的文件复制过去
- 安装完的CUDA在目录： C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\，我们一开始选的目录是用来暂放提取文件的，安装完后就自动删除了。
C:\cuda\bin\cudnn64_5.dll —> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
C:\cuda\include\cudnn.h —> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include
C:\cuda\lib\x64\cudnn.lib —> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64nvcc -V
需要安装好tensorflow-gpu
source activate tensorflow #（可选，如果在虚拟环境的话）
python
import tensorflow as tf
hello=tf.constant('hello,tensorflow')
sess=tf.Session()
print(sess.run(hello))将C:\Program Files\NVIDIA Corporation\NVSMI加入环境变量
然后就可以跟Ubuntu一样，在cmd输入：nvidia-smi
Ubuntu装得会早些，Tensorflow版本是1.4.0，要下载的东西跟Windows类似，很多配置步骤也跟WIndows类似。
注：还没安装CUDA和cuDNN的先看最下面的附
安装Anaconda
sudo bash Anaconda3-4.4.0-Linux-x86_64.sh
刷新环境变量
source /etc/profile或者 source ~/.bashrc #(全局的环境变量)
查看conda版本
conda –V
建一个tensorflow环境（可选）
conda create -n tensorflow python=3.6
激活环境（根据上一条可选）
source activate tensorflow
安装tensorflow
注：如果是在Anaconda开辟的环境env里，安装都不用加sudo，如果使用sudo意味使用的是系统默认的python环境（也是Anaconda的），不确定的可以在安装完后pip list看看是否安装成功。
pip install tensorflow-gpu
安装必要的包和工具
sudo apt-get install protobuf-compiler python-pil python-lxml python-tk
sudo pip install jupyter
sudo pip install matplotlib
或者使用（可选）
sudo pip install pillow
sudo pip install lxml
sudo pip install jupyter
sudo pip install matplotlib
如果要使用coco的api（可选）
git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
make
cp -r pycocotools <path_to_tensorflow>/models/research/
Protobuf编译
# From tensorflow/models/research/
protoc object_detection/protos/*.proto --python_out=.加入环境变量
vim ~/.bashrc
export PYTHONPATH=$PYTHONPATH:'/home/ai902/Tensorflow/models/research':'/home/ai902/Tensorflow/models/research/slim'测试
这里可以看显卡的算力:https://developer.nvidia.com/cuda-gpus
当时用的是CUDA8.0和cuDNN6.0，显卡是1080Ti
安装CUDA
sudo sh cuda_8.0.61_375.26_linux.run # 安装的cuda在/usr/local/cuda下面注意：安装显卡驱动的时候选择no！！！
安装cuDNN(也可以用.deb文件安装)
cd /usr/local/cuda # cuDNN放在这个目录下解压
sudo tar -xzvf cudnn-8.0-linux-x64-v6.0.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*添加环境变量，将以下代码放入~/.bashrc文件保存后source ~/.bashrc
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"
export CUDA_HOME=/usr/local/cuda测试
source activate tensorflow #（可选，如果在虚拟环境的话）
python
import tensorflow as tf
hello=tf.constant('hello,tensorflow')
sess=tf.Session()
print(sess.run(hello))