记录OpenCV正确安装与调用过程

我的CMakeLists.txt如下：

cmake_minimum_required(VERSION 3.18)
project(test)

set(CMAKE_CXX_STANDARD 11)

set(OpenCV_DIR "G:\\opencv\\mingw64_build")

find_package( OpenCV REQUIRED )

include_directories( ${OpenCV_INCLUDE_DIRS} )

add_executable(test test01.cpp)
target_link_libraries(test ${OpenCV_LIBS})

cpp代码如下：

#include
#include
#include
#include
#include
#include
using namespace std;
using namespace cv;

int main()
{
    Mat images;
    images = imread("1.jpg",0);
    cv::Mat grayim;
    Size dsize = Size(120, 160);
    Mat shrink;
    resize(images, shrink, dsize, 0, 0, INTER_AREA);
    imwrite("after.jpg", shrink);
    cout<<"处理完成!"<<endl;
    return 0;
}

因为我的c++程序采用mingw64编译，所以使用

cmake -G "MinGW Makefiles" ..

mingw32-make

之后，总是出现undefined reference to cv::Mat::Mat()等一系列的undefined reference to XXX
原因是没有正确链接到动态库。或者之前有安装其他版本的opencv

解决办法

重新编译一份OpenCV的源码再使用

编译过程参考：
https://blog.huihut.com/2018/07/31/CompiledOpenCVWithMinGW64/
https://github.com/huihut/OpenCV-MinGW-Build
第二个链接提供了已经有编译好opencv库，使用这个编译好的库的前提是自己的环境和作者的环境一样。所以还是自己编译吧。否则到最后会出现下图这样的问题：

这个错误是我下载上面链接提供的opencv库，cmake 、make 都没问题，最后执行可执行文件时，出现的错误。
其实就是版本的问题，后来我自己编译出来的动态库就是libopencv_core460.dll。就没有这样的问题。

最后还要添加环境变量
将bin目录加到系统的环境变量PATH里，方便程序在运行时能够找到对应的动态库。
将bin（G:\opencv\mingw64_build\bin）目录下的所有.dll文件复制到C:\Windows\System32目录下， 否则会出现无法定位程序输入点...于动态链接库...上。如下图：

最后程序正常运行。

在这之前还将/Mingw/bin目录下的libstdc+±6.dll文件放在了C:\Windows\System32目录下。不知道有没有发挥这个作用，也懒得验证了。

ubuntu也是一样的，gcc， g++版本样一样，编译自己写的程序使用的gcc/g++版本要和编译opencv库时使用的gcc/g++版本要一样。

如有错误之处，欢迎指正！

感谢以下博文：
https://stackoverflow.com/questions/69338088/error-while-configuring-cmake-project-running-nmake-failed

https://blog.csdn.net/qq_45662588/article/details/115949733

https://blog.csdn.net/diaolunlaoshi/article/details/117451891

https://blog.huihut.com/2018/07/31/CompiledOpenCVWithMinGW64/

Original: https://blog.csdn.net/qq_38043069/article/details/125321250
Author: qq_3804306
Title: 调用OpenCV库出现: undefined reference to `xxxxx‘ 的解决办法（使用MinGW编译器）

相关阅读1

Title: win10/win11系统下安装tensorflow-GPU版本

win10/win11系统下安装tensorflow-GPU版本

• 使用前注意
  *
• GPU版本
• 版本匹配！！！
• cuda版本
• 安装anaconda
• 安装对应版本的CUDAtoolkit
• 安装对应版本的cuDNN
• 安装tensorflow
• 总结

使用前注意

GPU版本

GPU版的tensorflow在调用的时候有加速效果，运行会比较快一些，当然，如果你的硬件没有GPU，只能使用CPU版本的tensorflow，就不需要安装CUDA和cuDNN，直接运行

pip install tensorflow

即可。

版本匹配！！！

tensorflowGPU版本对python、cuda和cuDNN的版本之间的匹配要求是非常高的，如果版本不匹配很有可能出现运行报错的情况。建议在使用和安装tensorflow之前查询官方文档，确定版本关系。
版本对应关系见网站：
链接: https://tensorflow.google.cn/install/source_windows.

cuda版本

使用控制面板 ，找到NVIDIA控制面板

点击左下角《系统信息》，出现如下界面：

切换至《组件》，呈现如下：

可以看到，我的电脑CUDA的版本为11.2版本。

; 安装anaconda

Anaconda的安装和CUDA系列安装并无必须的匹配关系，可以自行搜索教程安装。

安装对应版本的CUDAtoolkit

NVIDIA控制面板显示我的CUDA为11.2版本，因此进入到anaconda prompt下（也可以在conda提供的虚拟环境下）采用如下命令安装

conda install cudatoolkit=11.2

意外的是，在我安装的时候(2022.1.29)，国内的镜像源还没有出现11.2版本的cuda去安装，这里我便采用了官网去下载cuda安装包。
官网下载cuda: https://developer.nvidia.com/cuda-toolkit-archive.

进入后，找到你想下载的版本，下载好安装包之后，双击，之后根据提示完成安装即可，在这里一定要记下来CUDAtoolkit的安装路径！。

安装对应版本的cuDNN

根据之前的查询结果，cuda11.2版本最好对应cuDNN8.1版本，不幸的是，镜像源依旧没有该版本的cuDNN供下载，否则，你可以使用

conda install cuDNN=8.1

进行安装。

为了解决这一问题，可以去官网进行下载cuDNN包，
cuDNN官网：https://developer.nvidia.com/rdp/cudnn-archive.

这里比较麻烦的一点是：下载cuDNN必须注册NVIDIA账号！

从官网下载的cuDNN实际上只有一个压缩包，解压之后会发现：

这时候，只需要将bin里面的所有文件复制到CUDAtoolkit的bin路径下，如下图：

然后将cuDNN下的include里面的所有文件复制到CUDAtoolkit的include的路径下，如下图：

将cuDNN下的lib里面的所有文件复制到CUDAtoolkit的lib路径下：

到这里cuDNN就算安装完成了。

; 安装tensorflow

实际上安装tensorflow并不难，只要运行

pip install tensorflow-GPU

会自动安装。

最后，运行

pip list

查看你安装的tensorflow版本号是多少，是否和你的CUDA/cuDNN匹配。

总结

安装tensotflow-GPU最要紧的就是注意你要需要的版本是什么，你安装的版本是什么！
祝顺利！

Original: https://blog.csdn.net/xlxlqqq/article/details/122747988
Author: xlxlqqq
Title: win10/win11系统下安装tensorflow-GPU版本

相关阅读2

Title: win11+RTX3060搭建tensorflow深度学习环境

cuda简介：

CUDA是NVIDIA发明的一种并行计算平台和编程模型。
它可以通过利用图形处理器(GPU)的能力来显著提高计算性能。

CUDA的开发有以下几个设计目标:
1.为标准编程语言(如C)提供一小组扩展，以实现并行算法的直接实现。
2.使用CUDA C/ c++，程序员可以专注于算法的并行化，而不是把时间花在算法的实现上。
3.支持异构计算，应用同时使用CPU和GPU。
    应用程序的串行部分运行在CPU上，并行部分被卸载到GPU上，
    这样CUDA就可以增量地应用到现有的应用程序上。
    CPU和GPU被视为具有各自内存空间的独立设备。
    这种配置还允许在CPU和GPU上进行同步计算，而无需争夺内存资源。

cuda支持的GPU有数百个内核，这些内核可以同时运行数千个计算线程。
这些核心拥有共享的资源，包括一个寄存器文件和一个共享的内存。
片上共享内存允许运行在这些核心上的并行任务共享数据，而无需通过系统内存总线发送数据

安装步骤：双击一直下一步就行

测试：打开cmd,执行命令 nvcc -V和 nvidia-sim 查看对应信息

cudnn简介：

1.cuDNN 8 的新功能
    cuDNN 8 针对 A100 GPU 进行了优化，可提供高达 V100 GPU 5 倍的开箱即用性能，并且包含适用于对话式 AI 和计算机视觉等应用的新优化和 API。
    它已经过重新设计，可实现易用性和应用集成，同时还能为开发者提供更高的灵活性。

2.cuDNN 8 的亮点包括
    已针对 NVIDIA A100 GPU 上的峰值性能进行调优，包括全新 TensorFloat-32、FP16 和 FP32
    通过重新设计的低级别 API，可以直接访问 cuDNN 内核，从而实现更出色的控制和性能调优
    向后兼容性层仍然支持 cuDNN 7.x，使开发者能够顺利过渡到新版 cuDNN 8 API
    针对计算机视觉、语音和语言理解网络作出了新优化
    已通过新 API 融合运算符，进而加速卷积神经网络
    cuDNN 8 现以六个较小的库的形式提供，能够更精细地集成到应用中。开发者可以下载 cuDNN，也可从 NGC 上的框架容器中将其提取出来。

3.主要特性

    3.1 为所有常用卷积实现了 Tensor Core 加速，包括 2D 卷积、3D 卷积、分组卷积、深度可分离卷积以及包含 NHWC 和 NCHW 输入及输出的扩张卷积
    3.2 为诸多计算机视觉和语音模型优化了内核，包括 ResNet、ResNext、SSD、MaskRCNN、Unet、VNet、BERT、GPT-2、Tacotron2 和 WaveGlow
    3.3 支持 FP32、FP16 和 TF32 浮点格式以及 INT8 和 UINT8 整数格式
    3.4 4D 张量的任意维排序、跨步和子区域意味着可轻松集成到任意神经网络实现中能为任意 CNN 架构上融合的运算提速
    3.5 数据中心采用 Ampere、Turing、Volta、Pascal、Maxwell 和 Kepler GPU 架构以及配备移动 GPU 的 Windows 和 Linux 支持 cuDNN。

安装：解压后将各文件夹下的文件复制到cuda安装路径下的对应文件夹里

# 相关配置
# conda配置国内清华源
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/
# 显示下载源
conda config --set show_channel_urls yes
# 查看conda的配置
conda config --show

# pip配置国内清华源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

# 创建并激活环境
conda create tf2_6 python=3.9
conda activate tf2_6

# 安装tf-gpu-2.6.2
pip install tensorflow-gpu==2.6.2

import tensorflow as tf

print(tf.__version__) #2.6.2

print(tf.test.is_gpu_available()) # 为True表示安装成功

注意：目前没有手动配置环境变量，如果后续代码有问题可能需要配一下

https://blog.csdn.net/qq_33534428/article/details/125337424?spm=1001.2014.3001.5502

• https://cloud.tencent.com/developer/article/1914694
• https://tensorflow.google.cn/install/gpu
• https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/
• https://docs.microsoft.com/en-us/windows/ai/directml/gpu-accelerated-training

Original: https://blog.csdn.net/qq_33534428/article/details/122235888
Author: 凌陨心
Title: win11+RTX3060搭建tensorflow深度学习环境

相关阅读3

Title: 深度学习地震勘探入门

深度学习地震勘探入门

简介

我们在论文中提供了一个例子，但是由于数据不容易下载，很多同学没有测试成功，这个帖子中我们将这个例子进行了详细注释，同时提供手把手教学，数据也上传到了百度网盘。如果大家觉得有用，就引用我们的文章吧。

文章引用：S. Yu, J. Ma*, Deep learning for geophysics: current and future trends, Reviews of Geophysics, 2021, 59 (3), e2021RG000742.

数据下载链接：链接：https://pan.baidu.com/s/1pS3ap4IUg2Zi5hcEwZldCw 提取码：zs8k （800M）

Gitee代码链接：https://gitee.com/sevenysw/deep-learning-geophysics

论文中的代码仅用15行（核心代码，不包括可视化）就实现了数据的加载，训练和测试（不包括训练数据的生成），我们选择使用Keras来实现这样紧凑结构的框架。Keras是TensorFlow、Theano等框架的高级封装。Keras的安装有两种简单的方法，第一种是安装tensorflow，通过tf.keras来调用（本代码的情况）；第二种是分别安装tensorflow和keras，可以直接通过keras来调用。

测试的环境配置

环境1：

显卡：Nvidia 1080Ti，驱动版本496.13

软件：Windows 10，Cuda 10.0，VSCode 1.62.2，tensorflow_gpu 1.15.0 (或者2.1.0)，python3.7

环境2：

参考Issue

显卡：Nvidia 3080Ti，驱动版本470.86

软件：Ubuntu 18.04, Cuda 11.0, tensorflow_gpu 2.6.1, python 3.6.13, conda 4.11.0

1，修改code.py为其它名字

2，pip uninstall keras

pip install keras==2.6.0

该程序对不同环境的容忍度比较大，所以不必完全一样。

环境配置步骤

1，python环境管理软件

安装anaconda:https://www.anaconda.com/products/individual

2，找到所需cuda安装，比如10.0:

https://developer.nvidia.com/cuda-10.0-download-archive

3，创建虚拟环境

conda可以配置源，加速下载包，https://mirror.tuna.tsinghua.edu.cn/help/anaconda/

在命令行cmd（ubuntu中为terminal）中运行

conda create -n tfv2 python=3.7

开启虚拟环境

conda activate tfv2

4，安装tensorflow

在安装之前可以切换源:https://blog.csdn.net/afeiqiang/article/details/108257584

加速安装，而且更稳定

Windows用户：c:\Users\你的用户名\pip\pip.ini，没有就新建一个，

Linux用户：修改 ~/.pip/pip.conf 文件，没有就新建一个，写入以下内容：

[global]
index-url = http://mirrors.aliyun.com/pypi/simple/ *# 根据需要选清华源或者阿里源*
[install]
trusted-host=mirrors.aliyun.com

安装依赖包numpy, matplotlib：

pip install numpy matplotlib

然后开始安装：

pip install --upgrade tensorflow_gpu

如若要指定版本，则可以用

pip install --upgrade tensorflow_gpu==2.1.0

5，下载代码

git clone https://gitee.com/sevenysw/deep-learning-geophysics.git

修改code.py 中noise_dataset.h5的绝对目录位置

运行代码：

python code.py

不出意外，代码就可以正常运行了，整个过程在1080ti下大概要25分钟（共50次迭代）。

代码说明

import h5py
import matplotlib.pyplot as plt
from tensorflow.keras.layers import Input,Conv2D,BatchNormalization,ReLU,Subtract
from tensorflow.keras.models import Model

ftrain = h5py.File(r'E:\Datasets\noise_dataset.h5','r')

X, Y=ftrain['/X'][()],ftrain['/Y'][()]

for i in range(4):
    plt.subplot(2,4,i+1);plt.imshow(X[i,:,:,0],vmin=-2,vmax=2)
    plt.subplot(2,4,i+5);plt.imshow(Y[i,:,:,0],vmin=-2,vmax=2)
plt.show()

input = Input(shape=(None,None,1))
x=Conv2D(64,3,padding='same',activation='relu')(input)
for i in range(15):
    x= Conv2D(64,3,padding='same',use_bias = False)(x)
    x= ReLU()(BatchNormalization(axis=3,momentum=0.0,epsilon=0.0001)(x))
x= Conv2D(1,3,padding='same',use_bias = False)(x)

model = Model(inputs=input,outputs=Subtract()([input,x]))

model.compile(optimizer="rmsprop",loss="mean_squared_error")

model.fit(X[:-1000],Y[:-1000],batch_size=32,epochs=50,shuffle=True)

Y_ = model.predict(X[-1000:])

for i in range(4):
    plt.subplot(2,4,i+1);plt.imshow(X[-1000+i,:,:,0],vmin=-2,vmax=2)
    plt.subplot(2,4,i+5);plt.imshow(Y_[i,:,:,0],vmin=-2,vmax=2)
plt.show()

训练数据如下：

预测结果如下：

训练数据

训练数据的生成基本思路就是利用Matlab的h5write函数将数组转换成h5格式，需要注意的是数组维度的排序，Matlab和python是有一些区别的。

另外我们将数据生成和网络训练都写到一起，使用pytorch，在https://github.com/sevenysw/python_segy

Original: https://blog.csdn.net/u014347448/article/details/122093249
Author: 四尾
Title: 深度学习地震勘探入门