Win10-Tensorflow-FasterRcnn训练环境配置手册
1、安装显卡驱动：根据自己电脑的显卡下载适合的显卡驱动2、安装CUDA8.0 安装完成后查看cuda版本： 在命令行输入nvcc -V3、安装cudnn v6.0将该文件夹下的cuda文件夹下对应的文件目录拷贝到第一步安装的CUDA
文件目录4、安装Anaconda3 4.2.0 (对应python3.5) 备注：环境变量一般会自动添加5、tensorflow-gpu 版本tensorflow-gpu-1,3,0.0rc06、安装其他依赖的package：可以直接pipinstall ****①protobuf-3.5.1 ②tensorflow-tensorboard-0.1.8③html5lib-0.9999999④markdown&=2.6.8⑥bleach-1.5.0⑦升级pip版本至 pip-9.0.1：python-m pip install --upgrade pip备注：python的一些模块的下载地址：https://pypi.python.org/pypi6、安装python的其他依赖cython, python-opencv, easydict7、下载faster-rcnn: https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3.5解压后：①到目录./data/coco/PythonAPI下，在命令行输入：pythonsetup.py build_ext –inplace②到目录./data/coco/PythonAPI下，在命令行输入：pythonsetup.py build_ext install备注：可以下载Pretrain-model的地址: https://github.com/tensorflow/models/tree/master/research/slim#pre-trained-models③训练数据存放格式：数据存放目录：data/VOCDevkit2007/VOC2007Annotations文件夹放XML标注文件ImageSets文件夹有个Main文件夹，放test.txt和trainval.txtJPEGImages文件夹放所有的训练数据8、开始训练：在命令行python train.py9、配置过程中可能出现出现错误：①numpy版本升级②opencv与python版本对应问题（原本VS版本是2013， 可能要换成2015）③在开始训练时出现错误：ImportError: No module named '_pywrap_tensorlfow_internal检查环境变量，cuda\bin没有在环境变量path里，将.\CUDA\bin 加入到环境变量path。在装cuda时 就有提示了。 需要安装后自己改下路径（把路径缩短），再手动加入环境变量
听音训练手册--音频制品与听评
《挑战编程:程序设计竞赛训练手册》
《挑战编程:程序设计竞赛训练手册》- 题解（全）
CV之YOLO：深度学习之计算机视觉神经网络tiny-yolo-5clessses训练自己的数据集全程记录——Jason niu
没有更多推荐了，win10配置caffe和tensorflow+faster Rcnn
Win10+VS2013+Python配置caffe+tensorflow
本机环境：
系统是win10
显卡为GTX 1050Ti，支持GPU
所需要软件：
VS2013专业版 链接： 密码：vnwl
Anaconda2 官网：
CUDA8.0 官网：
Cudnn5.1 官网：
caffe-windows github：
caffe-windows支持python27和cudnn4或5，所以一定要注意版本号，并不是越新越好。tensorflow只支持python35，所以用Anaconda建立环境，也就是python2，3并存。这里主版本我选择的是anaconda2，也就是root为python27，py3则是在environment里搭建，安装在anaconda2下面的envs文件夹里。使用的时候用activate py35激活。
Part1：安装VS2013，配置CUDA
我安装的是VS2013专业版。第一次安装的是VS2015，然而微软集成的caffe-windows并不支持，也有大神们进里面去修改文件，我是做不到了ToT，所以卸了重新装的。如果想方便快速安装的童鞋们，咱们还是老实用VS2013，争取傻瓜式安装一次成功。
Cuda下载好了之后就按照安装程序一步步进行，安装路径是不能修改的直接在C盘。首先安装程序会自动系统检查，可能会出警告不兼容或者部分功能不可用，没关系，忽略就好。之后许可协议，到选项这步，建议选择自定义安装，其中最后一项driver驱动不要安装。自带的安装驱动版本比较低，与显卡可能不兼容，在nvcc -V的时候，会出现warning。完成安装后，在cmd中输入nvcc -V查看。出现下图代表第一步成功。
通过了cuda的示例程序才算真正成功。示例程序在C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0下，找到vs2013的程序，在release下进行编译（生成）。这时候可能报错。
这种情况需要安装DXSDK_Jun10.exe，就可以找到缺少的头文件。
最后调试出
这张图就是cuda配置成功啦。
part2：配置caffe-windows
从github下载caffe源码，解压后是caffe-master，可以在任意磁盘下。
在windows文件夹下，看到里面一个CommonSettings.props.example文件，复制出来一份，并改名字为CommonSettings.props，打开进行修改。
图中红线部分改成自己的路径。用Python的接口就将其改为true，使用MATLAB就将对应的改成为true。
我是用Anaconda2安装的Python27
具体的安装方法参考
Caffe.sln在release下进行编译
编译成功就会生成caffe.exe文件，上面pycaffe是接下来配置faster rcnn需要的。
需要将pycaffe文件夹下面的caffe文件放到python2中的site-packeges，如果跟我一样使用anaconda2的话，路径为C:\Anaconda2\Lib\site-packages。
也可以通过cmd运行caffe.exe，查看，出现下图表明编译成功
part3：配置Python接口及faster Rcnn
这是一份非常全的配置方法，特别是其中对roi-pooling文件配置，我看了许多其他作者写的都没有这一步。我按照作者一步一步跟下来，基本没有大的问题。遇见的小问题我在后面part5有说，希望可以帮得上忙。
part4：安装Python35与tensorflow
python35我是在anaconda2中创建的环境，如图，在environment中create python35，我把这个环境起名字叫py35，这样确定之后就在anaconda2\envs文件夹下自动创建了py35。有的教程是在envs文件夹下安装anaconda3，个人不建议这种方法，这样会产生两个相同的anaconda navigator。
我曾经使用这种方法，在调用python3时出现崩溃，原因是仍去调用y2的int.py. 最后试过各种方法，无效， ToT。还是在anaconda2中创建靠谱。
创建好环境后，在右侧安装tensorflow包就好，非常easy。我用的是cpu版本。
最后测试一下
py27环境下import caffe成功，激活py35，import tensorflow成功。
part5：遇见的坑——傻瓜式安装也有坑
VC9.0编译器问题
error: Microsoft Visual C++ 9.0 is required (Unable to find vcvarsall.bat)
解决办法：SET VS90COMNTOOLS=%VS120COMNTOOLS%
缺少cv2模块
解决办法: 将cv2.pyd放入到anaconda2/Lib/sit-packges下
import caffe找不到，原因是有些包的版本不对
上面是read me中安装说明，如果运行了这两句应该不会再遇到matplotlib，numpy还有protobuf相关的错误了。
图上这些是我更新后包版本
后来我还遇到过DLL load failed，这其实也是版本不对，升级PIL包就解决了。各种包的版本可以用conda list查看。
深刻地告诉我们：十篇攻略不如readme！！
最后推荐几个我觉得非常好用的小软件，在各种配置中减轻了不少烦恼：
- Rapid Environment Editor(推荐特别好用的环境变量编辑器)
- notepad++（比记事本好多了，非常棒，各种代码片段和配置文件都可以直接打开）
windows下使用自己制作的数据集训练faster-rcnn（tensorflow版）用于目标检测
Windows10+Tensorflow+faster-rcnn测试环境
tensorflow+Faster R-CNN+Windows实践
RCNN算法的tensorflow实现
caffe+win10+CUDA8.0+faster rcnn matlab配置
Windows10环境下配置Caffe（Faster RCNN、python2.7）
Windows10+Tensorflow+faster-rcnn 运行环境搭建
windows+tensorflow+fasterRcnn---1
faster-rcnn在win10+cuda8.0+1080ti+vs2013+matlab2015b下的配置 疑难问题解答
faster rcnn在win10+cuda7.5下的matlab配置
没有更多推荐了，灰色的翅膀 自由的思想
Caffe: Faster-RCNN Python版本配置 (Windows)
环境：VS2013，CUDA8.0，CuDNN 5.0，Win10/7，Anaconda
一、准备工作
1. 添加VS的cl.exe所在路径至环境变量
VS的安装路径下有一个VC文件夹，将其中的bin目录添加值环境变量（该目录下有cl.exe），路径参考如下：
D:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin
如未正确添加后续步骤将出现 TypeError: object of type ‘NoneType’ has no len() 错误。
2. 下载Caffe-Microsoft并添加roi_poling_layer后正确编译
下载地址：
由于windows版本caffe的不完善，要先在libcaffe项目中添加roi_poling层的相关支持。具体操作如下：
在libcaffe项目下的 cu—layers 文件夹右击，添加——现有项，找到 caffe根目录—src—caffe—layers下，添加roi_pooling_layer.cu。
路径示例：
同理，在libcaffe项目下的 src—layers 添加roi_polling_layer.cpp；
（所在路径：caffe根目录—src—caffe—layers）
在libcaffe项目下 include—layers添加roi_pooling_layer.hpp。
（所在路径：caffe根目录—include—caffe—layers）
记得在配置中开启python版编译，然后生成caffe。具体步骤可参考，生成成功则大功告成。
error MSB4062: 未能从程序集 …… 加载任务“NuGetPackageOverlay”。
如果你之前生成过windows版caffe，在添加roi_pooling支持后重新生成时，很可能会碰到error MSB4062错误。我的解决方案如下：
（1）将caffe根目录下的Build文件夹整个删除；
（2）右键 解决方案caffe —清理解决方案；
（3）重新生成。
另：网上有说是CuDNN 5.0 与 CUDA8.0 兼容问题的，也有说是Nuget中opencv更新至2.4.11问题的（默认为2.4.10），我个人的尝试是——不好使 = =。我在两个配置过caffe的机器上都出现了error MSB4062，均为CUDA 8.0+CuDNN 5.0，一个Win7一个Win10，最终都是重新生成得以解决。
二、配置Faster-RCNN
1. 配置windows版的py-faster-rcnn
下载py-faster-rcnn，地址：
由于上述版本中的python都是基于linux环境编写的，windows运行需要进行改动。好在有人已经完成了相关工作：
再下载py-faster-rcnn-windows，地址：
将其中的文件复制进py-faster-rcnn进行替换。
替换后，在py-faster-rcnn根目录—lib—rpn路径下，编辑proposal_layer.py：
（1）将其中的 param_str_ 替换为 param_str。
cfg_key = str(self.phase)
cfg_key = str('TRAIN' if self.phase == 0 else 'TEST')
2. 拷入生成的Caffe
将Caffe根目录—Build文件夹下，找到生成的pycaffe，将其中的caffe文件夹整体复制到py-faster-rcnn根目录—caffe-fast-rcnn—python文件夹下。我生成的caffe是Release版本，如图：
注：官方推荐用命令
git clone --recursive https:
下载py-faster-rcnn，如果用Download ZIP（因为我们已经有了Caffe-Microsoft），在py-faster-rcnn的caffe-faster-rcnn下单独创建python文件夹，再将生成的pycaffe下的caffe拷贝进来，实测也能够完成demo生成。
3. 客制化修改与setup
根据本机的CUDA环境，修改py-faster-rcnn—lib路径下的setup_cuda.py：
（1）第14行
'-arch=sm_35'
修改为本机显卡的计算能力，具体查询。
（2）第33行
include_dirs = [numpy_include, 'C:\\Programming\\CUDA\\v7.5\\include'])
修改为本机的CUDA-include环境，比如我的路径是：
include_dirs = [numpy_include, 'C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v8.0\\include'])
此时可以CMD打开至py-faster-rcnn\lib路径下，运行命令：
python setup.py install
python setup.py build_ext --inplace
python setup_cuda.py install
假如出现缺少某些依赖项或cv2.pyd (opencv) 的情况，用pip install命令安装或网上搜索相关配置方法即可，pip用法示例：
pip install easydict
成功状态如图：
4. 运行demo
官方要求我们运行py-faster-rcnn\data\scripts下的fetch_faster_rcnn_models.sh进行model下载，实际直接下载该链接：
下载完成后，解压文件夹至py-faster-rcnn\data目录下，如图：
CMD到达py-faster-rcnn\tools路径下，我的环境是VS2013，运行：
SET VS90COMNTOOLS=%VS120COMNTOOLS%
python demo.py
其它如VS2012 就改为SET VS90COMNTOOLS=%VS110COMNTOOLS%，出问题就是VS的锅 = =。
Windows-Caffe，真不容易= =
转载请标明出处：
参考博文：
windows下实现c++版faster-rcnn
Windows10 下安装 py-faster-rcnn
Faster-Rcnn在windows下制作并训练自己的数据集
Windows下py-Faster rcnn的编译及遇到的问题
Faster-RCNN+ZF用自己的数据集训练模型(Python版本)
Windows下VS2013 C++编译测试faster-rcnn
Windows-Py-Faster-rcnn
windows下的纯c++版 Faster R-CNN
深度学习之Windows下安装faster-rcnn
深度学习Caffe实战笔记（18）Windows平台 Faster-RCNN 环境配置
没有更多推荐了，Windows10+tensorflow-gpu 环境搭建
因为想在Tensorflow-gpu 上跑Faster-rcnn，以前在Ubuntu16.04上跑过caffe的faster-rcnn（搭建过程可以参考以前的文章），但是在新的笔记本上装双系统后，在Ubuntu16.04上，显卡驱动始终安装不成功，折腾了两三天没办法，退而求其次，打算在Windows10+Tensorflow-gpu 搭建Faster-rcnn，依然是一路坑，一路泪啊。记录下安装过程，希望以后别再入坑。
电脑配置(笔记本，think-Pad )：Win10，内存：8G，显卡：GTX1050Ti，2G显存，处理器：intel-i7-7700
CUDA：9.0版 --cuda_9.0.176_win10（自己用的）
Cudnn：cuda9.0版对应版本--cudnn-9.0-windows10-x64-v7.1（自己用的）
tensorFlow官方地址：
本文使用的tensorflow 最新版本是1.8一、 Visual Studio 2015安装
因为如果要使用CUDA，需要Visual Studio，所以什么也别说了先装VS吧。TIPS：因为我自己的电脑已经装过VS2013了，所以这次就没有再装VS2015，在后面搭建Faster-rcnn时遇到一些问题，装了VS2015的运行时解决的。具体参考另一篇文章。二. Anaconda安装Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。Anaconda利用工具/命令conda来进行package和environment的管理，并且已经包含了Python和相关的配套工具。conda可以理解为一个工具，也是一个可执行命令，其核心功能是包管理与环境管理。包管理与pip的使用类似，环境管理则允许用户方便地安装不同版本的python并可以快速切换。Anaconda则是一个打包的集合，里面预装好了conda、某个版本的python、众多packages、科学计算工具等等，所以也称为Python的一种发行版。其实还有Miniconda，顾名思义，它只包含最基本的内容——python与conda，以及相关的必须依赖项，对于空间要求严格的用户，Miniconda是一种选择。1.在清华大学镜像仓库()相应版本，可以直接下载最新版本。。双击安装包，安装最后一步两个选项都check，如下图所示。
和其他windows下的程序一样，稍等就Anaconda就安装好了，然后可以通过下面的命令来查看Anaconda已经安装了哪些包：运行 开始菜单-&Anaconda3—&Anaconda Prompt ：conda list
后续还有什么包，直接安装即可。三. CUDA 9.0安装1. 安装CUDA
一直默认安装就好了，知道安装完成。2. 验证CUDA是否安装成功
打开Anaconda promt，输入：nvcc -V
出现如下类似信息：
3. 用户环境变量配置 右击“此电脑”-&“属性”-&”高级系统设置”-&”环境变量”，一般默认安装的话，这些环境变量都会有的，如果没有则自己进行添加，如图所示： 四. CUDNN 7.0.5安装下载地址：
下载对应的cudnn版本。如下图所示：2. cuDNN安装 解压cudnn-9.0-windows10-x64-v7，将文件夹里如下图所示的三个文件夹分别拷贝至CUDA的安装目录的对应的文件夹即可。默认文件夹在： C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0 （默认安装的话是这个路径）cudnn解压后文件夹：cuda安装路径：四. Tensorflow 1.5安装1. tensorflow运行环境 （1）在windows程序中找到Anaconda Promt并打开，在Anaconda Prompt中利用Anaconda创建一个python3.5的环境（anaconda本身自带的python3.6的环境，最新的tensorflow也支持不过我还是选择了3.5的环境），环境名称为tensorflow （最好就这个名字，方便辨识），输入命令：conda create -n tensorflow python=3.5（2）采用activate命令启动环境，使用命令activate tensorflow启动后如下图所示：当然也可以通过Anaconda 客户端启动该环境打开后如图：一个是base基本环境，一个是刚才创建的tensorflow 在tensorflow环境中安装插件 为了能在ipython 和Spyder中使用tensorflow，我们需要在tensorflow的环境中安装这两个的插件。打开Anaconda Navigator，选择Not installed，找到 ipython和Spyder并安装。3. 安装tensorflow（在刚才Anaconda 创建的tensorflow命令行下）（1）先卸载再安装(如果之前安装过) pip uninstall tensorflow-gpu
#如果安装出问题通过该命令卸载如果想安装指定的pip install tensorflow-gpu==1.5
（2）若未曾安装，直接采用 pip install -upgrade tensorflow
#CPU版Tensorflow更新pip
install --upgrade tensorflow-gpu
#GPU版Tensorflow更新若想升级到指定版本（版本要自己选择），则 CPU：pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.1.0-cp35-cp35m-win_amd64.whl GPU：pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-1.1.0-cp35-cp35m-win_amd64.whl 4、测试，输入一下代码测试import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))(2).官方教程代码测试：The TensorFlow implement ation translates the graph definition into executable operations distributed across available compute resources, such as the CPU or one of your computer’s GPU cards. In general you do not have to specify CPUs or GPUs explicitly. TensorFlow uses your first GPU, if you have one, for as many operations as possible.#Creates a graph.
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
#Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
#Runs the op.
print (sess.run(c))
#python3.6版本一些书写规则有变化输出：Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -& device: 0, name: Tesla K40c, pci bus
b: /job:localhost/replica:0/task:0/gpu:0
a: /job:localhost/replica:0/task:0/gpu:0
MatMul: /job:localhost/replica:0/task:0/gpu:0
64.]]参考文章：
没有更多推荐了，}