机器学习环境搭建安装TensorFlow1.13.1+Anaconda3.5.3+Python3.7.1+Win10

安装Python3.7.1

此处不再赘述安装过程，作为记录

安装Anaconda3.5.3

Anaconda3-5.3.0-Windows-x86_64.exe

方案1. 可以直接从官网https://www.anaconda.com/distribution/，默认下载最新版本，19年3月27日为python3.7.1版本 方案2. 清华镜像https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/，速度快很多，找到对应版本即可

具体安装步骤参考博文：Anaconda的安装和详细介绍（带图文） ( https://www.cnblogs.com/IT-LearnHall/p/9486029.html )

安装完成之后，在Anaconda里新建一个虚拟环境machinelearn(这里是图形界面创建环境)

切换仓库地址 命令窗口里输入如下代码，载入清华镜像以提高加载速度： 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 三段代码分三次输入并执行。

命令行创建虚拟环境

conda create -n tl_1 python=3.7.1 activate tl_1（激活切换到tl_1） conda deactivate(退出激活)

安装Tensorflow 1.13.1

pip安装 通过pip安装TensorFlow指定版本命令： cpu版本:pip install tensorflow==1.13.1(==后面为所要安装的版本号) gpu版本类似：pip install tensorflow-gpu==1.2.1

切换到machinelearn文件下

1activate machinelearn #切换到目标虚拟环境
2conda install tensorflow==1.13.1

查看Tensorflow版本及路径

版本： cmd窗口中输入： python import tensorflow as tf tf.__version__ 路径： tf.__path__

下载tensorflow model1.13

https://codeload.github.com/tensorflow/models/zip/v1.13.0 下载完成后，解压，重命名为models，拷贝到TensorFlow的安装路径下面，即放到：./site-packages/tensorflow文件夹里面 (C:\ProgramData\Anaconda3\envs\machinelearn\Lib\site-packages\tensorflow)

安装cython

conda install cython

Cython是让Python脚本支持C语言扩展的编译器，Cython能够将Python+C混合编码的.pyx脚本转换为C代码，主要用于优化Python脚本性能或Python调用C函数库。由于Python固有的性能差的问题，用C扩展Python成为提高Python性能常用方法，Cython算是较为常见的一种扩展方式。

下载cocoapi

下载地址：https://codeload.github.com/cocodataset/cocoapi/zip/master，下载完成后， 解压。打开cocoapi-master\PythonAPI\setup.py文件，将第12行中的 ['-Wno-cpp', '-Wno-unused-function', '-std=c99'] 改成 ['-std=c99']。 进入到 cocoapi-master/PythonAPI路径下面 执行命令：python setup.py build_ext --inplace

可能出现异常信息 cocoapi - error: pycocotools/_mask.c: No such file or directory 是因为没有安装cython pip install cython之后即可

命令执行成功后会看到在cocoapi-master/PythonAPI/pycocotools文件夹里面生成了一个_mask.cp36-win_amd64.pyd文件， 最后把整个pycocotools文件夹copy到 \tensorflow\models\research文件夹里面

编译

在models/research路径下cmd执行命令：protoc object_detection/protos/*.proto --python_out=.

可能出现错误object_detection/protos/*.proto: No such file or directory

将默认的路径： protoc object_detection/protos/*.proto --python_out=. 更换protoc的路径如下： D:\MachineLearning\protoc-3.4.0-win32\bin\protoc object_detection\protos\*.proto --python_out=. protoc 下载地址: https://github.com/protocolbuffers/protobuf/releases

如果出现错误：ModuleNoFoundError:No module named 'matplotlib' 安装matplotlib包：conda install matplotlib 如果出现错误：ModuleNoFoundError:No module named 'absl' 安装absl包：conda install absl-py 如果出现错误：ModuleNoFoundError:No module named 'pillow' 安装pillow包：conda install pillow

测试环境是否配置成功：

进入到./tensorflow/models/research路径，然后执行命令： python object_detection/builders/model_builder_test.py 如果输出ok，则环境配置成功

Anaconda常用命令

activate // 切换到base环境

activate learn // 切换到learn环境

conda create -n learn python=3.7.1 //创建一个名为learn的环境并指定python版本为3(的最新版本)

conda env list // 列出conda管理的所有环境

conda list // 列出当前环境的所有包

conda install requests 安装requests包

conda remove requests 卸载requets包

conda remove -n learn --all // 删除learn环境及下属所有包

conda update requests //更新requests包

conda env export > environment.yaml // 导出当前环境的包信息

conda env create -f environment.yaml // 用配置文件创建新的虚拟环境

Windows10 + Anaconda安装LabelImg1.8.3

LabelImg简介： LabelImg是一个可视化的图像标定工具。使用该工具前需配置环境python + lxml。Faster R-CNN，YOLO，SSD等目标检测网络所需要的数据集，均需要借此工具标定图像中的目标。生成的 XML 文件是遵循 PASCAL VOC 的格式的。 下载 https://github.com/tzutalin/labelImg/tree/v1.8.3

解压之后，cd到D:\MachineLearning\labelImg-1.8.3，激活切换到ml_1: ctivate ml_1 确保安装了 PyQt5、PyQt5_tools、lxml

1conda install pyqt=5
2conda install PyQt5_tools
3conda install lxml
4
5pyrcc5 -o resources.py resources.qrc

然后将labelImg-1.8.3文件夹下的resources.py复制到文件夹libs里面

然后在运行:python labelImg.py 就能弹出labelImg的界面了

接下来就可以愉快的进行标注了，更多机器学习的文章后续更新，请持续关注。