【tensorflow】windows下搭建tensorflow-slim网络进行目标分类(安装配置+使用教程+问题总结)

本文主要是介绍【tensorflow】windows下搭建tensorflow-slim网络进行目标分类(安装配置+使用教程+问题总结),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

0.(可选)下载cuda,cudnn

若是想GPU跑深度学习,有英伟达显卡
关于版本的选择,要关注自身显卡驱动能支持的最高CUDA版本。
下载cuda地址:
CUDA10.1版本:https://developer.nvidia.com/cuda-10.1-download-archive-base
下载cudnn
cuDNN是一个SDK,是一个专门用于神经网络的加速包,注意,它跟我们的CUDA没有一一对应的关系,即每一个版本的CUDA可能有好几个版本的cuDNN与之对应,但一般有一个最新版本的cuDNN版本与CUDA对应更好。
这里下载的是cudnn7.6.5,官网地址:https://developer.nvidia.com/cudnn
下载完压缩包并解压:里面有3个文件夹:
在这里插入图片描述
复制,并粘贴到cuda的安装目录,
一般是:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0
然后合并:
在这里插入图片描述

1.windows下安装anaconda

官网下载anaconda
https://www.anaconda.com/products/individual
一般下载的都是最新版本

安装anaconda
点击安装程序安装
在这里插入图片描述
上面是添加path系统环境变量,不勾选就需要自己来手动添加。可以认真看一下英文注解;
下面勾选就是把anaconda位置作为默认的python3的地址;

若没有勾选环境变量,手动添加可以参考以下(版本不同可能会不一样):
在这里插入图片描述
cmd打开终端,输入conda --version检验有没有安装成功

2.创建虚拟环境:

打开Anaconda Prompt:
在这里插入图片描述
更换国内源

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
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

下载一个python为3.7的虚拟环境:
输入:conda create -n tensorflow python=3.7
等待下载完毕,(虚拟环境在anaconda目录下envs目录下)
在这里插入图片描述

3.下载pycharm

http://www.jetbrains.com/pycharm/download/#section=windows

4.下载tensorflow-slim模块

github地址:https://github.com/tensorflow/models
若下载速度过慢,可采用gitee的方式下载:
1.将需要的tenforflow资源fork到自己的GitHub账号上;
在这里插入图片描述
2.注册gitee账号,关联gitee和github账号
3.选择添加仓的方式添加GitHub的fork资源:

在这里插入图片描述在这里插入图片描述然后下载tensorflow-models软件包

5.使用pycharm打开tensorflow-slim

slim项目的相对位置:\research\slim
在这里插入图片描述

6.设置虚拟环境:

打开pycharm上File -> settings:
在这里插入图片描述
选择到Project:slim 下的 Project Interpreter,可以不采用原有的环境,选择自己创建的虚拟环境
在这里插入图片描述在这里插入图片描述在这里插入图片描述然后找到自己创建的模拟环境的路径
4ubmV0L3NhemFzcw==,size_16,color_FFFFFF,t_70)
然后确认即可。

若是该虚拟环境没有安装tensroflow,可以pip下载:
在pycharm窗口的下方点击Terminal,然后利用pip下载tensorflow:

pip install tensorflow-gpu==2.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

在这里插入图片描述

下载完之后就可以在Project Interpreter内找到已经下载的包:在这里插入图片描述

7.tensorflow模块的简单说明:

待更新······

8.在运行tensorflow的一些问题总结:

1.AttributeError: module ‘tensorflow’ has no attribute ‘Session’
原因:在新的Tensorflow 2.0版本中已经移除了Session这一模块
解决方案:

tf.Session() 更换为 tf.compat.v1.Session()

2.ImportError: No module named ‘contextlib2’

解决方案:
下载contextlib2,可以直接在pycharm上下载:

在这里插入图片描述在这里插入图片描述或者终端下载:pip install contextlib2

3.ImportError: No module named 'PIL'

解决方案:
终端下载:pip install pillow

注:下载一般突然结束,并出现大量红字,应该是超时的问题,一般来说重新运行指令即可继续下载,若速度过满或文件过大造成反复超时,可采用国内源,

pip install pillow -i https://pypi.doubanio.com/simple/

4.AttributeError: module 'tensorflow' has no attribute 'flags'

类似:tf.flags.DEFINE_float,tf.flags.DEFINE_string会报错,找不到flags;
原因:tf.flags.DEFINE_float()是tensorflow1的用法,在tensorflow2里不可直接这样写,需要加上.compat.v1.app
解决方案:
整体上改为:tf.compat.v1.app.flags.DEFINE_float
在这里插入图片描述
在这里插入图片描述

5.AttributeError: module 'tensorflow' has no attribute 'gfile'

跳转之后这里出了问题:

  if not tf.gfile.Exists(dataset_dir):tf.gfile.MakeDirs(dataset_dir)

问题产生的原因:在当前的版本中,gfile已经定义在io包的file_io.py中。
解决方法:修改如下:

  if not tf.io.gfile.exists(dataset_dir):tf.io.gfile.makeDirs(dataset_dir)

还要注意函数大小写!!

这篇关于【tensorflow】windows下搭建tensorflow-slim网络进行目标分类(安装配置+使用教程+问题总结)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/322576

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

Zookeeper安装和配置说明

一、Zookeeper的搭建方式 Zookeeper安装方式有三种,单机模式和集群模式以及伪集群模式。 ■ 单机模式:Zookeeper只运行在一台服务器上,适合测试环境; ■ 伪集群模式:就是在一台物理机上运行多个Zookeeper 实例; ■ 集群模式:Zookeeper运行于一个集群上,适合生产环境,这个计算机集群被称为一个“集合体”(ensemble) Zookeeper通过复制来实现

CentOS7安装配置mysql5.7 tar免安装版

一、CentOS7.4系统自带mariadb # 查看系统自带的Mariadb[root@localhost~]# rpm -qa|grep mariadbmariadb-libs-5.5.44-2.el7.centos.x86_64# 卸载系统自带的Mariadb[root@localhost ~]# rpm -e --nodeps mariadb-libs-5.5.44-2.el7

Centos7安装Mongodb4

1、下载源码包 curl -O https://fastdl.mongodb.org/linux/mongodb-linux-x86_64-rhel70-4.2.1.tgz 2、解压 放到 /usr/local/ 目录下 tar -zxvf mongodb-linux-x86_64-rhel70-4.2.1.tgzmv mongodb-linux-x86_64-rhel70-4.2.1/

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

hadoop开启回收站配置

开启回收站功能,可以将删除的文件在不超时的情况下,恢复原数据,起到防止误删除、备份等作用。 开启回收站功能参数说明 (1)默认值fs.trash.interval = 0,0表示禁用回收站;其他值表示设置文件的存活时间。 (2)默认值fs.trash.checkpoint.interval = 0,检查回收站的间隔时间。如果该值为0,则该值设置和fs.trash.interval的参数值相等。

NameNode内存生产配置

Hadoop2.x 系列,配置 NameNode 内存 NameNode 内存默认 2000m ,如果服务器内存 4G , NameNode 内存可以配置 3g 。在 hadoop-env.sh 文件中配置如下。 HADOOP_NAMENODE_OPTS=-Xmx3072m Hadoop3.x 系列,配置 Nam