搭建深度學習開發環境
所需硬件
Nvidia 顯卡，並且計算能力 >= 3.5，GeForce GTX 1050/1060/1070 等都是性價比都是非常高的 GPU。顯卡計算能力參考地址：https://developer.nvidia.com/cuda-gpus#compute
軟件版本概覽
| 軟件 | 版本 |
|---|---|
| Anaconda | Anaconda3-5.2.0-Windows-x86_64.exe |
| Python | 3.6（Anaconda 自帶） |
| tensorflow-gpu | 1.13 |
| PyCharm | 2019.1.2 |
| Git | 最新版 |
| TensorFlow Object Detection API | 1.13 |
| COCO API | 最新版 |
| LabelImg | 1.8.0 |
對於開源軟件，下載最新版不一定是最好的選擇。開源軟件在不斷迭代過程中，所依賴的軟件包有的迭代快、有的迭代慢，版本之間還不一定兼容。就我們學習來說，上面的軟件版本已經完全夠用，並且經過開源社區的充分測試，問題較少。
1. 安裝 Anaconda
下載地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
下載的版本爲：Anaconda3-5.2.0-Windows-x86_64.exe，該 Anaconda 對應 Python3.6。下載完成後，雙擊進行安裝，一切默認設置。
1.1 創建環境 tf_gpu
Anaconda 安裝完成後，打開 Anaconda Navigator -> Environments -> Create
第一步：創建一個名爲 tf_gpu 的環境，選擇 Python 版本爲 3.6，點擊 Create，然後耐心等待 Anaconda 創建新環境。
第二步：左鍵單擊我們剛剛創建的環境 tf_gpu 的啓動按鈕，選擇 Open Terminal
打開控制檯後，你就能看到你已經進入叫 tf_gpu 的環境了，接下來的操作都在這個環境裏操作。
1.2 配置 Anaconda 鏡像源
因爲 Anaconda 官方的下載服務器在國外，我們下載十分緩慢，所以我們設置清華的鏡像源爲默認下載源，可以大大提高下載效率。
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
一行一行的複製過去，Ctrl+ V 粘貼在控制檯，然後回車運行。
1.3 配置虛擬環境 tf_gpu
鏡像源配置完成後，就可以開始安裝 tensorflow-gpu 這個庫了。直接把下面的安裝命令複製到控制檯，回車運行，然後根據提示輸入 y。
conda install tensorflow-gpu=1.13
可能運行安裝命令一段時間後控制檯沒有任何反應，這個時候按一下回車，纔會出現安裝進度。
2. 安裝 PyCharm
PyCharm 是一個用來開發 Python 程序的工具。
可以參考：https://blog.csdn.net/lemon4869/article/details/106834450
3. 安裝Git
Git 是一個版本控制軟件，可以讓我們很方便地克隆別人的開源項目。這個安裝很簡單，百度下載一個，然後全部默認安裝。
4. 安裝 TensorFlow Object Decetion API 框架
TensorFlow Object Decetion API 是一個在 TensorFlow 基礎上開發出來的用於圖像檢測並定位的軟件框架。
4.1 下載 TensorFlow Object Decetion API
在這裏我們就需要上一步剛剛安裝的 Git。
第一步：首先新建一個文件夾 tf_train，再在裏面創建兩個文件夾：addons 和 workspaces，然後在空白處右鍵，選擇 Git Bash Here。
第二步：在 Git Bash 中輸入 ：git clone -b r1.13.0 https://github.com.cnpmjs.org/tensorflow/models.git ，回車後等待下載完成。
4.1 安裝依賴的 Python 軟件包
第一步：打開 tf_gpu 的 terminal（參考 1.1 節），先設置 pip 鏡像源，使用國內清華鏡像源，速度可以提高很多。
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
第二步：安裝相關包
pip install matplot lib pillow lxml contextlib2 cython opencv-python
4.2 配置環境變量
給系統添加一個 PYTHONPATH 環境變量，這個變量的作用是告訴 Python 解釋器可以到哪裏尋找我們依賴的包。
第一步：新建系統環境變量
第二步：變量名爲：PYTHONPATH，變量值爲之前下載的 TensorFlow Object Decetion API 的路徑。比如我的爲：
E:\tf_gpu\models\research
E:\tf_gpu\models\research\slim
E:\tf_gpu\models\research\object_detection
然後將這三個路徑粘貼在變量值那裏，記得用英文逗號隔開。
4.3 安裝 COCO API
第一步：下載 COCO API
我們將使用 COCO API 來作爲 TensorFlow Object Detection API 的評估指標，用來評估我們模型的表現能力。
進入之前創建的 addons 文件夾，打開 Git Bash，輸入下面命令：
git clone https://github.com.cnpmjs.org/philferriere/cocoapi.git
第二步：安裝 COCO API
打開 tf_gpu 的 terminal（參考 1.1 節），進入 cocoapi\PythonAPI 目錄下：cd E:\tf_gpu\addons\cocoapi\PythonAPI （根據自己實際情況修改）
然後運行安裝命令：python setup.py install
4.4 編譯 proto 文件
TensorFlow Object Detection API 框架使用 protobuf 工具來配置模型和訓練參數，我們在安裝 tensorflow-gpu 的時候已經附帶安裝好了。但是沒有經過編譯，該工具無法使用，所以接下來的操作就是對 proto 文件進行編譯。
打開 tf_gpu 的 terminal（參考 1.1 節），輸入命令：
for /f %i in ('dir /b object_detection\protos\*.proto') do protoc object_detection\protos\%i --python_out=.（直接複製過去運行）
5. 測試安裝
第一步：從 TensorFlow 預訓練模型庫下載 ssd_inception_v2_coco 模型
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md
6. 安裝 LabelImg
LabelImg 是一個圖像標註工具，其標註結果會以 PASCAL VOC 格式存成 XML 文件。
第一步：下載，http://tzutalin.github.io/labelImg/
第二步：解壓。該軟件是一個綠色軟件，解壓後即可使用，但是必須解壓到 addons 目錄下才可使用，否則無法運行。
第三步：運行。進入 windows_v1.8.0 目錄，然後運行程序。
如果本文章對你有所幫助，可以悄悄地給我點個贊，讓我開心一下嗎<(￣︶￣)>
如果本文章有所錯誤，還請多多指教つ﹏⊂
如果你對本文章有疑惑，歡迎留言討論(ง •_•)ง