写在前面的话：一些零零碎碎的小事情。 做CV，逃不掉要接触机器学习，我现在才入手其实很晚了，但是相信我能很快进入这个领域的，之前一直沉迷opencv，出到opencv4.0，已经正式融合TF了。这是一个非常有趣的事。

文章目录

新手从0开始踩过的坑01推荐书：02配环境配环境踩的坑： Spyder不能输入中文，envs文件夹没有虚拟环境文件夹在资源有限情况下训练神经网络（Anaconda　IDE）资源使用率查看注意事项：显示器熄屏，xset: unable to open display写得好的文章：ResNet, AlexNet, VGG, Inception: 理解各种各样的CNN架构；特征图尺寸计算方式Looney等人建议，数据集中65%的用于训练，25%的用于测试，10%用于验证名词解释

新手从0开始踩过的坑

01推荐书：

这本书前面写的很好，但是后面例子都是基于MXNet和Caffe的，且不说Caffe2已经融合进了Pytorch（记得是），那个配环境各种依赖库真实劝退。所以我只看了前面一半。 这本书已经出来第二版，还有几本和它长的像的叫《深度学习原理Tensorflow实践》，这本书写的不如上面列的这个，感觉后者像是蹭热度。郑泽宇这本内容不错。 这本魏秀参的书讲了很多精华内容，但是不适合从０开始，需要有些数学功底和对深度学习或神经网络有些了解。而且不是一本基于某框架的书，只有理论。

02配环境

ubuntu16.04,cuda,cudnn,py 一定要注意TF和他们之间的版本对应关系！还有显卡支持计算能力到几，这个在核弹厂官网能查到。我笔记本870显卡开普勒架构3.0的计算能在这里插入图片描力不能用TF1.12.0难受的亚皮。只能用1.10.0试试。 配置环境推荐anaconda虚拟环境，不要在实体Terminal里面装，因为后面会不断出事，虚拟环境克隆调整比较方便。

配环境踩的坑：

Internal: cudaGetDevice() failed. Status: CUDA driver version is insufficien 很奇怪我用的CUDA和CUDNN如下： 讲道理是支持TF1.10.0的，结果在虚拟环境下面装了还是不行。找不到CUDA设备。所以在环境配置的GUI界面选了别的CUDATOOLKIT版本试试依旧不行。解决办法：删除全部TF的包。我用的：pip uninstall tensor*不能用替代字符，我是一个个删的。然后：pip install tensorflow-gpu==1.10.0，这样装完就能用了。 为什么这个： 这个不好用还不知道是什么原因。但是pip是一直好用的。

Spyder不能输入中文，envs文件夹没有虚拟环境文件夹

首先确定自己装了中文输入法，我用的搜狗，fcitx的方式。 然后参照下面这篇文章 不能输入中文 我做完后，base可用，自定义虚拟环境仍旧不可用。但是，删除虚拟环境时候显示： 看到，虚拟环境的路径是在用户文件夹的.conda的隐藏文件夹的，所以要把上面那篇文章提到的.so文件复制到对应的文件夹中。不熟悉纯命令行的同学可以先用cd进入上面的隐藏文件夹然后用 ”nautilus .“ 命令打开图像界面。或者在资源管理器按住ctrl+h也可以显示出隐藏文件。 然后：

找到文件/usr/lib/x86_64-linux-gnu/qt5/plugins/platforminputcontexts/libfcitxplatforminputcontextplugin.so 在anaconda3下搜索platforminputcontexts目录，结果会出现好几个platforminputcontexts 正确的应该是anaconda3/lib/python3.6/site-packages/PyQt5/Qt/plugins/platforminputcontexts 这个目录，向里面复制上面的文件，重启spyder即可。

在资源有限情况下训练神经网络（Anaconda　IDE）

（其实这是很有限的方法，并不如直接加硬件来的实际） 最近测试PSMNet网络，在SceneFlow数据集上，作者使用4路Titan Xp12G 显存，12的BatchSize，单卡一次3组数据。我只有1080Ti11GB，单卡3组Out of Mem。使用nvidia-smi查看后，发现batchsize是2时候能用，占用显存约7G，讲道理单卡是具备batchsize3的能力的，图形界面消耗约400-500M显存，所以决定纯命令行，

开启黑窗口： ctrl alt F1 执行： sudo service lightdm stop 停止图形界面； 执行 nvidia-smi 看到显存占用0MB 执行： conda info --env 查看当前有哪些虚拟环境； 执行： conda activate *** 激活对应环境，bash前面会有标注

资源使用率查看

开启 ctrl alt F2 watch -n1 nvidia-smi 每隔1秒刷新一次信息，显示功耗、计算使用率和显存占用， 下面几行会详细列出每个command的占用率 开别的窗口，top命令查看，相当于Win的任务管理器， 值得注意的是，内存占用率低，但是buff/cache占用率特别高。 buff是准备写入磁盘的数据,cache是即将从磁盘读取的数据,我这里占用达到25GB， 毕竟要喂饱显卡，磁盘的速度还是不够啊。这也给选配深度学习主机提了醒： 内存至少比显存大，大一些的内存可以提供更大的cache（至少对于PyTorch）

注意事项：显示器熄屏，xset: unable to open display

关闭图形界面后，机器运行期间我关闭了显示器。 第二天，当我打开显示器，没有信号输入，观察机器运行状态仍然是满功率运行。使用putty远程登录，机器一切照常，就是没有显示器输出，插显卡DP口插主板HDMI口都没用。 解决办法：就算显示器没输出，又不是不能用，ssh登录也可还行，启动图形界面：sudo service lighdm start ,我可没这个勇气，显存会爆。等跑完15个epoch（官方给的例子是10个epoch，我想多试试看看区别），我就putty启动图形界面试试（肯定要启动新一轮train，保证自己显存紧张情况下启动图形界面）。等更。 更新：训练过程中显存几乎占满情况下，启动图形界面居然没有问题，就是有点卡，而且上面的那个显示器无信号问题也没了。（开图形界面情况下开启训练却可能爆显存）

写得好的文章：ResNet, AlexNet, VGG, Inception: 理解各种各样的CNN架构；

ResNet, AlexNet, VGG, Inception: 理解各种各样的CNN架构 英文帖原文1　　英文帖原文2

特征图尺寸计算方式

附一下截图的链接

Looney等人建议，数据集中65%的用于训练，25%的用于测试，10%用于验证

名词解释

LRN:LRN（Local Response Normalization) 作用：将不同卷积核RELU后的feature归一化，平滑处理，能增加泛化能力。 原因：生物方面，玄学 Alexnet提出 公式：

ＣＳＤＮ链接原文 后来实验发现，LRN层似乎没什么用-_-