Win10+python3.6+Cuda9.0+Cudnn7.05+Tensorflow-gpu 1.8.0+Keras

python

python3.6 之前使用VScode安裝
點選安裝套件圖示=>點選python==>點選安裝



Cuda9.0
前往NVIDIA的cuda下載頁面
https://developer.nvidia.com/cuda-downloads
選擇windows


挑選好你的電腦需求並下載


安裝的時候並不會有太大問題，一開始會有系統檢查，檢查完即可安裝。
選擇自訂==>只勾選<cuda>


Cudnn7.0.5
前往cudnn下載頁面
https://developer.nvidia.com/cudnn 點選下載cudnn

需要登入才可下載，可以註冊帳號或是使用goole帳號都可以



勾選 I Agree To the Terms of the cuDNN Software License Agreement


點選下方 Archived cuDNN Releases 選擇其他版本


確認版本是否正確==>點選win10版本的lib


下載之後解壓縮cuDNN檔案，將資料夾底下的所有檔案複製



複製到CUDA的路徑
大概會在這裡:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0



設定環境變數

這兩個是安裝完CUDA後 已經自行設定好的了



我只在變數PATH新增這兩個
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\CUPTI\libx64



tensorflow-gpu 1.8.0
直接使用cmd安裝 tensorflow-gpu 1.8.0即可


Keras
cmd直接安裝即可
pip install keras


顯卡driver 
請根據你的顯卡版本，到NVIDIA網站下載dirver，更新到最新版，比較不會出現版本上的問題

留言

張貼留言

這個網誌中的熱門文章

Bundle Adjustment 光束平差法

圖片
Bundle Adjustment(BA) 光束平差法 Bundle Adjustment是什麼:         又稱為光束平差法在三維重建裡常使用的優化技術，當我們透過SFM成功計算出點的三維空間座標，但是隨著影加入的影像越來越多，累積的誤差也將無法忽視，影響最終的重建效果，因此需要BA優化。         假設有一個3D空間的點，他被不同位置的攝影機拍攝，那麼BA就是能夠從這些不同視角訊息中提取出.D點的座標以及各個相機的相對位置和光學訊息。對任意三維點P，由從每個攝影機的光心射出來並且經過圖像P對應的像素後產生的光線，都將會交於P點，對於所有三維點，會形成相當多的光束(bundle)。因為實際上會有許多noise存在，每條光線幾乎不可能匯聚於一個點，因此在重建的過程中，需要不斷進行調整(adjustment)，使得同一個3維點P的光束能匯聚於點P。 Bundle Adjustment的目標: 最小化重投影誤差 (圖源:http://www.cnblogs.com/Jessica-jie/p/7739775.html) 重投影即為第二次投影: -第一次投影就是相機拍照時，三維空間的點投影到照片上 -我們透過這些影像進行SFM，特徵提取、三角定位等方式建構三維空間點的位置 -最後利用我們計算得到的三維點的座標，和我們計算出的相機參數，進行第二次投影，也就是重投影。 重投影誤差: 指的是真實的三維空間點在圖像平面上投影(也就是圖像上的像素點)和重投影(我們計算的虛擬像素點)的差值。因為真實的值和計算得到的值不可能是完全相符的，因此需要將這些誤差最小化。 reference: 簡介 https://blog.csdn.net/yaoweijiao/article/details/53056439 https://blog.csdn.net/Kevin_cc98/article/details/69815661 重投影誤差 http://www.cnblogs.com/Jessica-jie/p/7739775.html 待整理資料 https://blog.csdn.net/Kevin_cc98/article/d
用力戳我 »

Structure From Motion

圖片
Structure from motion 簡介 1.SFM介紹 2.SFM整體流程 3.特徵點提取 4.特徵點匹配 5.初始像對  6.3D重建 7.bundle adjustment 8.SFM 工具介紹 1.SFM介紹 SFM為透過相機的移動來確定目標的空間和幾何關係，是一種3D重建常見的方法，與Kinect這種有3D攝影機最大的不同: 只需要普通的RGB相機即可，成本較低 較不受環境約束(地形、陽光) 但SFM背後需要複雜的理論和計算，再精確度和速度上都還有待提升。 2.SFM整體流程 (圖源: https://blog.csdn.net/qq_20791919/article/details/74936438 ) (圖源:https://blog.csdn.net/Mahabharata_/article/details/70799695) 3.特徵點提取 為了要進行影像的匹配，需要在影像中選擇具有代表性的區域，例如:影像中的角點、邊緣等，容易識別的區塊，尤其是角點的辨識度最高 常使用的特徵提取方法，且open有提供函式庫     -SIFT     -SURF 4.特徵點匹配 -兩個影像之間進行SIFT特徵點進行匹配     -KDTree對最近的特徵點進行匹配 -建立匹配系統後，生成track列表(同名點)     -如果一個track包含同個影像多次，表示此匹配關係有誤，          因為同個影像的多個特徵點都匹配到同個點     -如果track少應該剔除，通常track為2，視為資訊太少，3D          重建容易產生錯誤 5.初始像對  -計算內點     -採用RANSC 計算單應矩陣     -滿足單應矩陣的匹配點稱為內點     -內點佔的比例越高，低視差現象越明顯 -選擇初始像對     -匹配特徵點要足夠多     -選擇內點數量少，但又不少於100個的影像       (防止兩個影像的視角過於接近) 6. 3D重建 -取得相機參數     -外參         -計算本征矩陣，進一步求出R、T矩陣     -內參         -焦距，光心位置 -利用以上的R、T矩陣與影像的匹配關係還原三維
用力戳我 »