ubuntu16.04 + virtualenv + py2.7 + tf1.5.0 + keras2.2.4 + opencv2.4.9 +Numpy1.14
@https://www.liaoxuefeng.com/wiki/1016959663602400/1019273143120480
@https://msd.misuland.com/pd/3070888491219946904
Ubuntu系统默认的Python是2.7，为了使多个Python版本共存，我们使用virtualenv/virtualenvwrapper来管理不同的Python版本和相应的软件包。
virtualenvwrapper是virtualenv的扩展，使得管理虚拟环境更加方便。
sudo pip install virtualenv virtualenvwrapper
Keras是一个基于theano和tensorflow的库框架，它的安装要不是Using Theano backend 要不就是Using tensorflow backend 。所以一般在安装keras之前一定要装好theano或者tensorflow，至于具体选那种根据自己的实际情况在keras.json文件中配置即可。
(1)基本环境安装
第一步：
mkdir Virtualenv
cd Virtualenv
sudo pip install virtualenv -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
>>>>>
Looking in indexes: http://pypi.douban.com/simple/
Collecting virtualenv
Downloading http://pypi.doubanio.com/packages/8b/12/8d4f45b8962b03ac9efefe5ed5053f6b29334d83e438b4fe379d21c0cb8e/virtualenv-16.7.5-py2.py3-none-any.whl (3.3MB)
|████████████████████████████████| 3.3MB 2.5MB/s
Installing collected packages: virtualenv
Successfully installed virtualenv-16.7.5
第二步：
u@u160406:~/Virtualenv$ source bin/activate
第三步：
创建python2虚拟环境（py2为虚拟环境名）
virtualenv -p /usr/bin/python py2
第四步：keras先装tf
pip install --upgrade tensorflow==1.5.0 //pip install tensorflow-gpu
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> session = tf.Session()
>>> print session.run(hello)
or
$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0-cp27-none-linux_x86_64.whl
$ pip install TF_BINARY_URL
pip install keras==2.2.4
pip install python-opencv==2.4.9 //如果没有安装annaconda的话，貌似要把opencv-python换成python-opencv。
Collecting opencv-python==2.4.9
sudo apt-get install python-opencv
python -m pip install opencv-python==2.4.9
ERROR: Could not find a version that satisfies the requirement opencv-python==2.4.9 (from versions: 3.1.0.0, 3.1.0.1, 3.1.0.2, 3.1.0.3, 3.1.0.4, 3.1.0.5, 3.2.0.6, 3.2.0.7, 3.2.0.8, 3.3.0.9, 3.3.0.10, 3.3.1.11, 3.4.0.12, 3.4.0.14, 3.4.1.15, 3.4.2.16, 3.4.2.17, 3.4.3.18, 3.4.4.19, 3.4.5.20, 3.4.6.27, 3.4.7.28, 4.0.0.21, 4.0.1.23, 4.0.1.24, 4.1.0.25, 4.1.1.26)
ERROR: No matching distribution found for opencv-python==2.4.9
python -m pip install opencv-python
pip install opencv-contrib-python
pip uninstall opencv-contrib-python-4.1.1.26
Installing collected packages: opencv-python
Successfully installed opencv-python-4.1.1.26
Successfully installed opencv-contrib-python-4.1.1.26
python
>>>import cv2
>>>cv2.__version__
>>>import keras
>>>keras.__version__
python -m pip install --user numpy scipy matplotlib ipython jupyter pandas sympy nose
pip install numpy==1.14
Found existing installation: numpy 1.16.5
Uninstalling numpy-1.16.5:
Successfully uninstalled numpy-1.16.5
Successfully installed numpy-1.14.0
>>> from numpy import *
>>> eye(4)
解决引入keras后出现的Using TensorFlow backend的错误,在引入头文件之后，加入
import os
os.environ['KERAS_BACKEND']='tensorflow'
(2)使用虚拟机
启动虚拟环境
cd [虚拟环境名称]/
source bin/activate
...
退出虚拟环境: deactivate
(3)卸载opencv4.1.1.26重配置opencv2.4.9
pip uninstall opencv-python
Uninstalling opencv-python-4.1.1.26:
Would remove:
/home/u/Virtualenv/py2/lib/python2.7/site-packages/cv2/*
/home/u/Virtualenv/py2/lib/python2.7/site-packages/opencv_python-4.1.1.26.dist-info/*
Proceed (y/n)? y
Successfully uninstalled opencv-python-4.1.1.26
-----------------------------------------------------------------------------------------------------------------------------------
2.1 使用python 2.7安装tensorflow-gpu 1.9.0 安装指令如下： # 如果本机未安装python和pip，则安装之 sudo apt-get install python-pip python-dev # 更新pip sudo pip install -U pip # 安装tensorflow-gpu 1.9.0 sudo pip install tensorflow-gpu==1.9.0 2.2 使用python 3.5安装tensorflow-gpu 1.9.0 如果将默认的python脚本设置成了python3.5，则安装指令与2.3节相同，若未设置，则安装指令如下： # 如果本机未安装python和pip，则安装之 sudo apt-get install python3-pip python3-dev # 更新pip sudo pip3 install -U pip # 安装tensorflow-gpu 1.9.0 sudo pip3 install tensorflow-gpu==1.9.0 2.3 验证tensorflow-gpu 1.9.0是否安装成功 执行如下命令： python -c "import tensorflow as tf; print(tf.__version__)" 如果输出结果： 1.9.0 原文链接：https://blog.csdn.net/davidhopper/article/details/81206673
------------------------------------------------------------------------------------------------------------------------------------
@https://www.cnblogs.com/shine-lee/p/9884551.html
最近因项目需要，得把OpenCV捡起来，登录OpenCV官网，竟然发现release了4.0.0-beata版本，所以借此机会，查阅资料，了解下OpenCV各版本的差异及其演化过程，形成了以下几点认识：
- 新版本的产生是为了顺应当下的需要，通过版本更新，接纳新技术和新方法，支持新兴编程语言接口，使用新的指令集，优化性能，解决固有问题等
- 新技术新方法会优先加入到新的大版本中，即使新的技术方法可以在旧版本中实现，但为了推动用户向新版本迁移，仍会优先加入到新版本中（这条看着与第1条差不多，实际意义是不同的）
- 新版本不可避免地会带有旧版本的痕迹，毕竟新版本是从旧版本基础上“生长”出来的，新老版本间能看到比较明显的过渡痕迹，同时出于降低迁移成本的考虑，需要（部分）向前兼容
因此，如果新版本已经稳定，且需要从头开始新项目，先考虑拥抱新版本。若碰到问题，可到旧版本的资料中找找答案。但这并不绝对，具体情况还得具体分析。
下面分析下各版本的差异以及演化路径。
OpenCV版本差异与演化，1.x To 4.0
OpenCV 1.x
OpenCV 最初基于C语言开发，API也都是基于C的，面临内存管理、指针等C语言固有的麻烦。
2006年10月1.0发布时，部分使用了C++，同时支持Python，其中已经有了random trees、boosted trees、neural nets等机器学习方法，完善对图形界面的支持。
2008年10月1.1pre1发布，使用 VS2005构建，Python bindings支持Python 2.6，Linux下支持Octave bindings，在这一版本中加入了SURF、RANSAC、Fast approximate nearest neighbor search等，Face Detection (cvHaarDetectObjects)也变得更快。
OpenCV 2.x
当C++流行起来，OpenCV 2.x发布，其尽量使用C++而不是C，但是为了向前兼容，仍保留了对C API的支持。从2010年开始，2.x决定不再频繁支持和更新C API，而是focus在C++ API，C API仅作备份。
2009年9月2.0 beta发布，主要使用CMake构建，加入了很多新特征、描述子等，如FAST、LBP等。
2010年4月2.1版本，加入了Grabcut等，可以使用SSE/SSE2…指令集。
2010年10月2.2版本发布，OpenCV的模块变成了大家熟悉的模样，像opencv_imgproc、opencv_features2d等，同时有了opencv_contrib用于放置尚未成熟的代码，opencv_gpu放置使用CUDA加速的OpenCV函数。
2011年6月起的2.3.x版本、2012年4月起的2.4.x版本，一面增加新方法，一面修复bug，同时加强对GPU、Java for Android、 OpenCL、并行化的支持等等，OpenCV愈加稳定完善，值得注意的是 SIFT和SURF从2.4开始被放到了nonfree 模块（因为专利）。
考虑到过渡，OpenCV 2.4.x仍在维护，不过以后可能仅做bug修复和效率提升，不再增加新功能——鼓励向3.x迁移。
OpenCV 3.x
随着3.x的发布，1.x的C API将被淘汰不再被支持，以后C API可能通过C++源代码自动生成。3.x与2.x不完全兼容，与2.x相比，主要的不同之处在于OpenCV 3.x 的大部分方法都使用了OpenCL加速。
2014年8月3.0 alpha发布，除大部分方法都使用OpenCL加速外，3.x默认包含以及使用IPP，同时，matlab bindings、Face Recognition、SIFT、SURF、 text detector、motion templates & simple flow 等都移到了opencv_contrib下（opencv_contrib不仅存放了尚未稳定的代码，同时也存放了涉及专利保护的技术实现），大量涌现的新方法也包含在其中。
2017年8月3.3版本，2017年12月开始的3.4.x版本，opencv_dnn从opencv_contrib移至opencv，同时OpenCV开始支持C++ 11构建，之后明显感到对神经网络的支持在加强，opencv_dnn被持续改进和扩充。
OpenCV 4.0
2018年10月4.0.0发布，OpenCV开始需要支持C++11的编译器才能编译，同时对几百个基础函数使用 "wide universal intrinsics"重写，这些内联函数可以根据目标平台和编译选项映射为SSE2、 SSE4、 AVX2、NEON 或者 VSX 内联函数，获得性能提升。此外，还加入了QR code的检测和识别，以及Kinect Fusion algorithm，DNN也在持续改善和扩充。
总结
这些年来，计算机视觉领域的新技术新方法不断涌现，指令集、编程语言和并行化技术越发先进，OpenCV也在紧跟时代的脚步，不断吸收完善自身。本文仅对OpenCV的演化过程仅总结了部分要点，详细可参见 OpenCV 在 github上的ChangeLog。