搭建Udacity无人车开发环境

　　“万事开头难”，搭建开发调试环境既是垫脚石，也是拦路虎，不管是一气呵成，还是费尽周章，事后做好记录都是明智之举，可以避免不必要的重复劳动。这篇博客主要记录在win10_64位下基于CPU或者GPU搭建Udacity无人车开发环境的大致过程。

安装Anaconda

　　开发python程序经常要涉及第三方库，很容易出现版本混乱和各种不兼容的问题，因此可以安装conda来帮我们管理软件包和依赖，使项目开展更加顺利。由于我只需要最基本的功能，所以选择了安装miniconda，下载地址如下：

https://repo.continuum.io/miniconda/Miniconda3-latest-Windows-x86_64.exe

　　常用的conda命令可以参考官方的用户指南官方的用户指南。

conda换源

　　为了提高conda安装的速度，我们可以将conda的源换成科大或是清华的：

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.ustc.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
conda config --set show_channel_urls yes

　　然后把.condarc中channels下面的-defaults这一行删掉，正确的结果如下：

channels:
  - https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
  - https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
  - https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
  - https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
  - https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
show_channel_urls: true

　　此外还要做点准备，将CarND-Term1-Starter-Kit仓库下载到本地，进入项目目录，将meta_windows_patch.yml重命名为meta.yml：

git clone https://github.com/udacity/CarND-Term1-Starter-Kit.git
cd CarND-Term1-Starter-Kit

基于CPU搭建

　　基于CPU搭建Udacity无人车开发环境比较简单，只要根据environment.yml创建carnd-term1就行了：

conda env create -f environment.yml
conda info --envs 查看是否创建成功
conda env remove -n carnd-term1 卸载环境

　　environment.yml文件具体内容如下，我在测试中发现缺少requests模块，所以添加了一行’- requests’，也可以之后用conda install requests来单独安装：

name: carnd-term1
channels:
    - https://conda.anaconda.org/menpo
    - conda-forge
dependencies:
    - python==3.5.2
    - numpy
    - matplotlib
    - jupyter
    - opencv3
    - pillow
    - scikit-learn
    - scikit-image
    - scipy
    - h5py
    - eventlet
    - flask-socketio
    - seaborn
    - pandas
    - ffmpeg
    - imageio=2.1.2
    - pyqt=4.11.4
    - requests
    - pip:
        - moviepy
        - tensorflow==1.3.0
        - keras==2.0.9

基于GPU搭建

　　基于GPU搭建Udacity无人车开发环境需要考虑的问题较多，但“工欲善其事，必先利其器”，使用GPU来训练神经网络模型相比CPU在速度上至少有几十倍的提升，因此该折腾还得折腾。我这里使用的GPU是Nvidia的GTX 1060 6G，在安装tensorflow-gpu之前，需要先安装CUDA Toolkit、cuDNN和必要的显卡驱动。CUDA Toolkit 和cuDNN的版本要与tensorflow-gpu相适应，可以参照Tensorflow官网经过测试的源代码配置来选择适合你的版本。我这里选择的是tensorflow_gpu-1.3.0，cuDNN v6.0和CUDA Toolkit 8.0，需要注册登陆Nvidia开发者账号才能下载。

# cuDNN v6.0 下载地址
https://developer.nvidia.com/rdp/cudnn-archive#a-collapse6-8
# CUDA Toolkit 8.0 下载地址
https://developer.nvidia.com/compute/cuda/8.0/Prod2/network_installers/cuda_8.0.61_win10_network-exe

Visual Studio 2012 安装

　　需要注意的是，在安装CUDA Toolkit之前，还需要先安装Visual Studio，通过运行一些例程来测试GPU是否已经准备就绪。我这里下的是体积适中的Visual Studio 2012，参考博客Microsoft Visual Studio 2012旗舰版(VS2012中文版下载)官方中文版，比较杯具的是C盘空间不够，只能从D盘腾挪了几十G过来，呵呵！

# Microsoft Visual Studio 2012 下载地址
http://download.microsoft.com/download/B/0/F/B0F589ED-F1B7-478C-849A-02C8395D0995/VS2012_ULT_chs.iso
# 序列号：YKCW6-BPFPF-BT8C9-7DCTH-QXGWC

CUDA Toolkit 8.0 安装

　　CUDA Toolkit 8.0 安装比较简单，按照提示一步步操作就可以，我下载的是网络版的，只要确保电脑能上网就行。安装驱动过程中画面会出现几次闪烁熄屏，是正常现象。

cuDNN v6.0 安装

　　把下载下来的安装包解压到CUDA的安装路径(默认C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0)的目录下，然后在Windows环境变量Path中添加动态链接库cudnn64_6.dll的路径(默认是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\cudnn-8.0-windows10-x64-v6.0\cuda\bin), 重启生效就可以了。

GPU环境测试

　　Visual Studio 2012、CUDA Toolkit 8.0、cuDNN v6.0都安装好后，可以用Visual Studio 2012打开（默认路径C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0）下的Samples_vs2012.sln工程，将1_Utilities文件夹下的deviceQuery右键设为启动项目，然后直接开始执行不调试，得到下图结果就可以了。其它例程有兴趣也可以运行看看效果。
选择Samples_vs2012.sln 工程
运行deviceQuery对GPU环境进行测试

安装tensorflow-gpu

　　根据environment-gpu.yml创建carnd-term1：

conda env create -f environment-gpu.yml

　　由于安装过程中报错：

tensorflow_gpu-1.3.0-cp35-cp35m-linux_x86_64.whl is not a supported wheel on this platform.

　　发现tensorflow_gpu-1.3.0-cp35-cp35m-linux_x86_64.whl不是为windows系统准备的，所以将environment-gpu.yml中替换成了tensorflow_gpu-1.3.0-cp35-cp35m-win_amd64.whl，由于是要访问国外的网站，需要翻墙并开启全局代理，网速可能不太稳定，有时候还会连不上，做好心理准备。
　　environment.yml文件具体内容如下:

name: carnd-term1
channels:
    - https://conda.anaconda.org/menpo
    - conda-forge
dependencies:
    - python==3.5.2
    - numpy
    - matplotlib
    - jupyter
    - opencv3
    - pillow
    - scikit-learn
    - scikit-image
    - scipy
    - h5py
    - eventlet
    - flask-socketio
    - seaborn
    - pandas
    - ffmpeg
    - imageio=2.1.2
    - pyqt=4.11.4
    - requests
    - pip:
        - moviepy
        - https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-1.3.0-cp35-cp35m-win_amd64.whl
        - keras==2.0.9

终极测试

　　基于CPU或者GPU搭建好无人车开发环境carnd-term1后，可以进行最后的测试。首先，下载我们要运行的测试环境的仓库：

git clone https://github.com/udacity/CarND-Term1-Starter-Kit-Test.git
cd CarND-Term1-Starter-Kit-Test

　　然后激活conda的carnd-term1环境后运行jupyter notebook：

activate carnd-term1
jupyter notebook test.ipynb

　　浏览器会自动跳转到 http://localhost:8888/notebooks/test.ipynb 网址，经测试，jupyter notebook的每个单元都能够正常执行，没有错误，说明Windows环境下的carnd-term1已经完全ok了。效果图如下：
jupyter验证成功界面

总结

　　“好的开始是成功的一半”，搭建好开发环境后，我们就可以专注于学习无人车相关的知识和编程实现上了。Perfect! 　　