1.我的配置
系统：ubuntu 18.04 python 3.5 tensorflow -gpu==1.4.1
2.虚拟环境配置
使用anaconda进行安装，不需要单独安装cuda和cudnn，conda会下载并安装好，不需要考虑版本依赖的问题，简便的地方就是这里了。
1.创建虚拟环境
conda create -n My_tf python = 3.5
2.激活虚拟环境
conda activate My_tf
3.安装Tensorflow-gpu
终端下输入命令来查看所有可用版本的tensorflow-gpu：
conda search tensorFlow-gpu
合适的版本，这里选择的是1.4.1版本，输入命令安装tensorflow-gpu，可以看到需要下载cudatoolkit、cudnn、tensorflow-gpu等这些依赖包，不需要我们自己去配环境了，其中的cudatoolkit就是常说的cuda了，输入y就可以安装的。
conda install tensorflow-gpu==1.4.1
4.测试tensorflow-gpu是否已经安转成功：
pythonimport tensorflow as tfprint(tf.__version__) #注意__是两个下划线
如果输出的是对应安装的tensorflow-gpu的版本号，则tensorflow-gpu安装成功了。
5.下载相应的keras包
Tensorflow之环境版本匹配问题_ZONG_XP的博客-CSDN博客_tensorflow版本不匹配
pip install keras==2.0.8
6.pyCharm导入环境和添加解释器
打开PyCharm新建一个项目之后，点击左上角的file，选择Settings，在左侧选择Project Interpreter，然后点击右侧面板的小齿轮，选择Add…，在弹出的窗口左侧选择Conda Environment，接着选择Existing environment，这时候它会自动识别出刚刚创建好的conda环境，然后勾选Make available to all projects，点击OK即可。
创建新项目的时候注意选择好Project Interpreter，因为刚刚的设置可能会不能应用到新项目，需要手动选择一下。
注意：如果在pycharm下更改了tensorflow-gpu的版本，则对应的在aconda的python环境下的tensorflow-gpu的版本与会随之改变。
如果tensorflow-gpu的版本太低，则会出现某些功能不支持的问题：如AttributeError: module ‘tensorflow’ has no attribute 'keras’等问题。如果tensorflow-gpu的版本太高，则可能与NVIDIA的显卡驱动不匹配。需要酌情考虑版本。
3.udacity仿真环境下载
（ps: 需要下载unity才能运行，我电脑已经安装unity，如果需要可以在这里下载unity下载）
先下载仿真器，我用的是version2 的Linux版
Term 1 Instructions: Download the zip file, extract it and run the executable file.
Version 2, 2/07/17LinuxMacWindows
Version 1, 12/09/16LinuxMacWindows 32Windows 64
装好后效果如图所示，有两个模式，第一个是训练模式可以采集数据集，第二个是自动模式，可以用程序进行控制，测试效果。
配置
手动解压，或查找相应命令解压文件；
cd到解压得到的文件目录，例如我的为cd /home/xxx/Downloads/beta_simulator_lunux ;
手动或利用命令将与系统对应版本(32位还是64位)beta_simulator.x86_64[64位]或beta_simulator.x86[32位]变成可执行文件,例如在终端执行sudo chmod +x beta_simulator.x86_64;
需要先分别输入下面两行代码，就可以打开udacity模拟器。
chmod a+r+w+x *sudo ./beta_simulator.x86_64
下面图片是输入上述代码过程
后面只需要在该模拟器文件夹下输入下列代码，就可以直接打开模拟器。
./beta_simulator.x86_64
Controls：在Simulator中的按键指南
Training Mode：人为控制车辆模式，用来收集数据
Autonomous Mode：全自动模式，使用训练好的模型进行无人驾驶
4.数据收集
进入Training Mode开始玩游戏，熟练一下按键和操作！在Simulator中，这辆车的传感器是三个前置摄像头，分别放置在左、中、右三个方向，对周围的环境进行拍摄录制，结果之后会以图片形式保存到电脑上。
开始收集数据：
首先按下R键 (Record)，选择数据保存目录，确认
再次按下R键，进入录制模式
驾驶车辆在车道中行驶
行驶完毕后第三次按下R键，数据会被保存到硬盘上
进入TRAINING MODE后点击右上角的RECORD选择训练数据保存的位置（注意保存位置要点选到文件夹上，不要选到文件夹内空白处），然后Select，如下图：
再次点击右上角RECOED，当其变成RECORDING时，就可以手动驾驶小车了，大概驾驶8,9分钟，点击右上角RECORDING，界面中间出现绿色Capturing Data，表示正在记录并存储图片与转向角，8,9分钟左中右三个摄像头共可采集2万多张图片，这时，在相应目录下会生成两个文件: driving_log.csv和IMG文件夹。顾名思义，driving_log.csv中保存了用户开车时的log，IMG文件夹中保存了摄像头的照片。driving_log.csv基本结构如下图。
前三列分别表示在当时左中右摄像头的照片路径
D列表示车的方向盘角度
E列表示油门力度
F列表示刹车力度
G列表示当前速度
为了简洁明了，在本文中我们只采用A，B，C，D列数据，即利用摄像头照片预测方向盘角度。另外，收集数据时有几个tips：
首先大概收集两圈比较完美的数据，尽量保持车在道路中间行驶；
在转弯或模型训练之后比较容易出错的地方多收集几次数据。
5.Drive.py下载与驱动
自动模式需要drive.py进行端口数据交互。
这里有drive文件CarND-Behavioral-Cloning-P3
很重要的一个点是drive.py的socketio的连接
socketio很容易不兼容，这里提供一个兼容版本
pip install Flask-SocketIO==4.3.1 pip install python-engineio==3.13.2 pip install python-socketio==4.6.0 pip install --upgrade h5py
其他模块
pip3 install -i https://pypi.tuna./simple opencv-pythonpip install flaskpip install pillowpip install eventletpip install numpy
训练判断转向角的全连接模型
有了训练数据我们就可以搭建我们的训练模型了，我们使用csv库读取数据，利用Keras建立模型。下载包cv2包
pip install opencv--python
在pycharm中，运行下列程序，
import csvimport cv2import numpy as npfrom keras.models import Sequentialfrom keras.layers import Flatten, Dense# 初始化行的数组，将csv中的数据传入到数组中lines = []# 读取csv文件with open('.../data/driving_log.csv') as csvfile: reader = csv.reader(csvfile)for line in reader:lines.append(line)#'.../data/driving_log.csv' 数据存储到目录，可能需要设置成自己的数据集存储的目路。我的是'/home/yu/wen/data/IMG/'# 初始化图片矩阵和转向角images = []measurements = []for line in lines:source_path = line[0]filename = source_path.split("/")[-1]# 图片路径current_path = '.../data/IMG/' + filename# 将所有的图片数据存入images数组中image = cv2.imread(current_path)images.append(image)# 将相对应的转向角数据存入measurement数组中measurement = float(line[3])measurements.append(measurement)# 将images和measurements作为训练数据X_train = np.array(images)y_train = np.array(measurements)# 使用Keras建立模型model = Sequential()model.add(Flatten(input_shape=(160, 320, 3)))model.add(Dense(1))pile(loss='mse', optimizer='adam')model.fit(X_train, y_train, validation_split=0.2, shuffle=True, nb_epoch=10)model.save('model.h5')
得到model.h5文件，将这个文件复制到上面下载的drive文件：CarND-Behavioral-Cloning-P3-master文件夹中，在该文件打开终端，切换到对应的conda虚拟环境，输入
python drive.py model.h5
运行成功
