win10系统开发环境搭建

60 阅读 0 评论 40 点赞

我是靠谱客的博主淡淡自行车，最近开发中收集的这篇文章主要介绍win10系统开发环境搭建，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

win10系统环境搭建

- ADAS仿真软件
- CUDA + cuDNN
- Python + keras + tensorflow
- 后记

前言：
上一篇介绍今年准备要做的工作，包括Python，GPU，机器学习，ADAS驾驶仿真，程序算法等，这两天把所有的环境都搭起来了，下一步准备一个一个实现。
工欲善其事必先利其器，之前的笔记本已经是13年的产品了，而且还是基本的办公本，显卡和处理器都很弱，内存小且是1600M的，硬盘SATA数据读取慢，无法胜任工作平台的任务。前两星期买了台笔记本，神船GX7 CT5DS，看了很多评论与测评，决定试水神船，当时祈祷不要“翻船”23333。货到后使用了两周，除了屏幕模块效果一般且有一个坏点，其他用着都很不错，上船成功把。说一下配置，这个本子我看了很久，性价比我个人认为是全网最高了，PDD6000不到。
CPU i5 9400F（工作主频3.8G） + GPU GTX 1660Ti 6G + 16G（2667M） + 500G Nvme
除了整个物理外形17.3显得很大以外，基本上算是比较合适的一个工作本了。
DOTA2 特效全开FPS200+， PUBG 游戏内FPS150+，且散热良好，如果有需求的同学，对性价比要求高的，一定不要错过这一款。

ADAS仿真软件

作为一个刚开始摸索ADAS工作的人，首先要做的应该是收集信息，做ADAS的哪一部分工作，这个部分需要准备什么知识，我觉得这应该是一个行业或者技术的开始。
汽车的ADAS相关工作，大体是三个部分（我个人目前的认知，不一定对）：MIL，SIL，HIL。
MIL：Model in loop，大多数的工作集中在算法功能实现上，要求算法核心逻辑的正确。
SIL：Software in loop，多数工作为调整代码，适配仿真环境，近乎真实的通过仿真环境模拟出真实场景，实现算法+模型的闭环，完全在电脑层面完成实际的功能。
HIL：Hardwaere in loop，硬件参与进来，从一部分代码放在硬件上运行，到全部代码放入硬件或者真实测试车上运行，我个人认为都算HIL内容，完成ADAS从软件到硬件的转换。

从个人操作来看，我们目前可以操作到SIL，也就是说纯软件操作，需要准备：算法实现 + 仿真环境。
从各类网络信息中整理，以及可以获取的软件，得出结论：
1、Matlab + Prescan
2、Matlab + Carsim
3、Matlab单独
就目前而言，仿真环境很多家，开源+商业的，也有不少。举例来说，开源比较出名的是Carla，基于虚幻游戏引擎，有身边小伙伴使用过，动力学模型差，看起来效果和游戏差不多，传感器种类基本都有，在没有办法的情况下，可以考虑用Carla + ROS（可以看作通信中间件）实现自动驾驶实现，如何搭建环境，不细说。商业的仿真软件，主要的Matlab，Prescan，Carsim，Dyna4，Panosim（国产）等，评价来看：
Matlab本身就是算法开发环境，自身的simulink自带各类ADAS功能，虽然不能像其他仿真软件一样那么逼真的仿真驾驶环境，但是对于算法来说，基本足够，而且其他的几个环境，基本都需要以来simulink。破解版请自行百度，我的电脑搭建的2018b。

Prescan传言是传感器效果逼真，而且种类繁多，使用下来看，确实如此。优点还有一个，就是容易操作，界面理解起来简单，环境搭建轻松，而且自带demo包含主流功能仿真（ACC,Parking,AEB等），连带simulink都有，不要太爽。需要与Matlab的simulink结合操作，simulink实现控制逻辑，Prescan提供仿真环境。整个搭配比较吃内存和显卡，显卡差的，Prescan跑起来会很慢，亲测，而且整个汽车跑起来不是很真实，动力学以及车辆自身不够逼真。

Carsim个人使用下来，觉得对车的设置很多很细，而且每个参数都可以调整，车子跑起来也很真实，那种惯性的感觉，比Prescan好很多。传感器使用不多，不多评价。与Matlab的simulink联合仿真，用起来没有Prescan方便。

整体使用下来，window环境，肯定需要matlab，Prescan和Carsim选一个。如果是远程操作，那么你还需要一台linux电脑，搭载ROS环境。环境是这样：远端Linux ROS编译好控制程序的收发，与simulink的ROS模块对接，将控制数据传给Prescan或者Carsim模型，这些模型再将传感器数据以及车身姿态数据回传ROS，实现window跑仿真和Matlab，linux跑算法控制，亲测可行，参考的是https://blog.csdn.net/u013914471/article/details/83276607。

使用了一段时间，发觉Prescan对用户比较友好，模块拖拽安装比较方便，且参数修改方便，对于逻辑开发比较友好。而且导入simulink中，接口清晰，传感器输出的信息也足够，方便simulink中的控制开发。

避坑指南：安装Prescan前，你需要安装Matlab + vs两个软件，版本要合适，我的是Matlab2018b + vs2013。Prescan安装过程中需要Matlab目录，因为Prescan会根据安装时的目录，启动Matlab。并且Prescan导入Matlab过程中，需要一个模型编译器，这个编译器对于正版Matlab，可以直接在Matlab中搜索下载，破解版的话没有整个功能，需要额外安装，单独装太麻烦，不如直接装一个VS2013省事。

软件网址：
Prescan：https://www.jb51.net/softjc/615599.html
Matlab：https://www.jb51.net/softs/603604.html
vs2013：https://zhuanlan.zhihu.com/p/91281922
Carsim：https://zhuanlan.zhihu.com/p/82681635?native.theme=0

CUDA + cuDNN

我的显卡是GTX 16660 Ti，找到nvidia官网，里面有免费下载驱动，nvidia控制面板是win10商店下载的。官网有nvidia CUDA下载，按照直接显卡对应的CUDA下载。

但是，如果第一次搞，不去搜索信息，那么要走弯路，所以执行事情之前，先得有足够的信息。
CUDA最新的版本（写文章的时候）10.1，我们的显卡是支持的，但是10.1对各类其他软件的支持，没那么好，看了一圈，10.0的CUDA兼容性更好，所以我们需要下载10.0的CUDA。安装不多说，只需要注意，如果你显卡的驱动是最新的或者不需要重新安装的，那么安装CUDA的时候，要自定义，取消设备驱动devices那个选项，不然重新装或者引起其他问题。
cuDNN下载需要注册nvidia的账号，注册完可以下载，对应的版本应该是7.4。

CUDA 版本和cuDNN版本的版本号很重要！！！
CUDA 版本和cuDNN版本的版本号很重要！！！
CUDA 版本和cuDNN版本的版本号很重要！！！

后面安装Python以及对应的tensorflow以及keras的版本，都依赖CUDA与cuDNN的版本。
CUDA的开发环境，你可以选择cmd直接编译（nvcc + xxx.cu + include + lib），也可以找个工具，比如前面安装的vs2013，将CUDA的编译链设置在vs2013中，那么可以在vs2013中实现CUDA开发。
vs2013 + CUDA： https://www.cnblogs.com/ww1x/p/10820362.html
唯一需要注意的是，CUDA的vs开发，需要修改项目属性，原本可能是win32，需要修改成x64，否则很多cuda的lib库无法导入。
同样，此时有VS2013开发环境，那么开发C/C++也没有问题，上面已经下载的Matlab，同样提供了m函数和s函数的开发环境。

Python + keras + tensorflow

如果是Linux系统，我个人喜欢gedit/vim进行程序编写，然后不论是c/cpp，还是cu文件，或者py文件，又或是其他各种其他代码文件形式，都可以手动进行编写，或者sh脚本编译，或者makefile编译，这种方式是我认为最简单的Linux程序编写编译方式。
转到window下，反而编译变得麻烦了。编写程序随便找个文本编辑器如notepad++或者什么，都可以，但是编译就费事儿了，cmd命令行直接编译需要安装linux继承环境，所以通常window下编写代码进行编译都要有专门的继承环境，比如vs2013，比如eclipse等等。

言归正传，Python我最初下载的是3.7.7，后来发现版本太新，很多东西可能无法兼容，比如和CUDA。所以卸载了3.7，改装3.6。安装Python自带pip以及idel编辑器，可以快速安装包以及开发，比较省事。
需要注意的是，每个包，安装时检查，是否有名字相同的重复版本，比如numpy你安装过1.19，后面发现tensorflow需要低级别numpy，此时你最好先卸载掉1.19，再安装1.16，否则，会在某些函数引用时，报错。
简而言之，每个包要确认好版本，再安装，重新安装需要卸载掉前一个版本。

接下来说tensorflow版本的问题。最新的是2.1.0貌似，我忘了，自动下载的应该是这个版本（阿里云源），下载下来是CPU版本，应该是导入不成功的，具体为啥我也没太搞清，大概率版本对不上。我导入成功的是1.16.0这个版本，后来发现训练太慢，改GPU版本了。tensorflow-gpu是tf对应的GPU版本，默认使用GPU，我使用的是1.14.0版本，可以成功使用，最多是警告某些函数在之后的版本会删除之类，并不影响使用。
软件对应版本：
Python：3.6.6
numpy：1.16.0
tensorflow-gpu：1.14.0
keras：2.2.4