1,安装python3.5.2

貌似是因为tensorflow只兼容windows python3.5.x版本

2，更新pip

python -m pip install --upgrade pip

3,安装tensorflowCPU版本

pip3 install --upgrade tensorflow

4，安装各种有关于Faster-RCNN的python包

pip install pandas

pip install matplotlib

pip install keras - 2.0.3

pip install numpy

pip install opencv-python

pip install sklearn

pip install h5py

等等

5，pycharm安装Git

6，有关tensorflow

使用图（graph）来表示计算任务，在被称之为会话（session）的上下文（context）中执行图，使用tensor表示数据，通过变量（variable）维护状态，使用feed和fetch可以为任意的操作（arbitrary operation）赋值或者从其中获取数据。

tensorflow是一个编程系统，使用图来表示计算任务，图中的节点被称之为op（operation），一个op获得0个或者多个tensor，然后执行计算，产生0个或多个tensor。

一个tensorflow图描述了计算的过程，为了进行计算，图必须在会话里所启动。会话将图的节点分发到CPU或者GPU之类的设备上，同时提供执行op的方法，这些方法执行后，将产生的tensor返回，在python语言中，返回的tensor是numpy ndarray对象。

import tensorflow as tf# 创建一个opmatrix1 = tf.constant([[3.,3.]])# 创建另外一个opmatrix2 = tf.constant([[2.],[2.]])# 创建一个矩阵乘法op，把matrix1和matrix2作为输入product = tf.matmul(matrix1,matrix2)# 在一个会话中启动图sess = tf.Session()result = sess.run(product)print(result)# 关闭会话sess.close(）

交互式使用, 可以使用 InteractiveSession 代替 Session 类, 使用 Tensor.eval() 和 Operation.run() 方法代替 Session.run(). 这样可以避免使用一个变量来持有会话.

#进入一个交互式TensorFlow会话import tensorflow as tfsess = tf.InteractiveSession()x = tf.Variable([1.0,2.0])a = tf.constant([3.0,3.0])# 使用初始化器initializer op的run()方法初始化xx.initializer.run()# 增加一个减法opsub = tf.sub(x,a)print(sub.eval())

变量

变量维护图执行过程中的状态信息.下面的例子演示了如何使用变量实现一个简单的计数器.代码中 assign() 操作是图所描绘的表达式的一部分，更新变量, 正如 add() 操作一样. 所以在调用 run() 执行表达式之前, 它并不会真正执行赋值操作.

# 创建一个变量, 初始化为标量 0.state = tf.Variable(0, name="counter")# 创建一个 op, 其作用是使 state 增加 1one = tf.constant(1)new_value = tf.add(state, one)update = tf.assign(state, new_value)# 启动图后, 变量必须先经过`初始化` (init) op 初始化,# 首先必须增加一个`初始化` op 到图中.init_op = tf.initialize_all_variables()# 启动图, 运行 opwith tf.Session() as sess:  # 运行 'init' op  sess.run(init_op)  # 打印 'state' 的初始值  print sess.run(state)  # 运行 op, 更新 'state', 并打印 'state'  for _ in range(3):    sess.run(update)    print sess.run(state)# 输出:# 0# 1# 2# 3

Fetch

为了取回操作的输出内容, 可以在使用 Session 对象的 run() 调用执行图时, 传入一些 tensor, 这些 tensor 会帮助你取回结果. 在之前的例子里, 我们只取回了单个节点 state, 但是你也可以取回多个 tensor:需要获取的多个 tensor 值,在 op 的一次运行中一起获得(而不是逐个去获取 tensor).

input1 = tf.constant(3.0)input2 = tf.constant(2.0)input3 = tf.constant(5.0)intermed = tf.add(input2, input3)mul = tf.mul(input1, intermed)with tf.Session():  result = sess.run([mul, intermed])  print result# 输出:# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]