在服务器上安装opencv遇到跟CUDA8.0不适配的问题，于是不得不看看其他机器是否可以预装并使用。
.
opencv在windows安装为啥这么简单？
安装流程：
1、下载opencv文件opencv-3.2.0-vc14.exe
2、点击下载，其实就是解压过程，随便放在一个盘里面。
3、python部署阶段，
进入OpenCV的安装目录下找到+复制：\build\python\2.7\x64\cv2.pyd
将cv2.pyd复制到python的子目录：\Lib\site-packages\
4、即可直接调用：
.
二、windows+keras/theanoKeras深度学习框架是基于Theano或Tensorflow框架安装的，所以首先要准备底层框架的搭建，用tensorflow比较麻烦，所以选用Theano安装即可。
1、tensorflow/keras框架同时如果要使用tensorflow0.12版本+python3.5及以上，也可以使用Anaconda 3.5.
一种比较好的方式使用docker：
参考：TensorFlow 官方文档中文版、下载与安装
如果要使用原生的window安装：
（1）前提：现有了python3.5或Anaconda 3.5
（2）下载：tensorflow-0.12.0rc0-cp35-cp35m-win_amd64.whl，下载的东西放在某文件夹中
（3）在Power Shell中输入下述命令实现本地安装：
pip install F:\DevResources\tensorflow_gpu-0.12.0rc0-cp35-cp35m-win_amd64.whl（4）验证安装
到“所有程序”下找到”Python 3.5 64bit”，出现命令窗口，输入测试代码：
>>>import tensorflow as tf >>>sess = tf.Session() >>>a = tf.constant(10) >>>b = tf.constant(22) >>>print(sess.run(a + b)) 32正确输出32则为成功安装。
报错无法正常下载numpy 1.11.0：参考博客：原生Windows安装TensorFlow 0.12方法
.
安装过程：
（1）安装theano，Power Shell中输入：
pip install theano -U --pre（2）安装keras：
pip install keras -U --pre（3）修改默认后端：很关键，不然会一直报错：ImportError: No module named tensorflow
因为，keras默认后端是给tensorflow，
打开C:\Users\当前用户名.keras,修改文件夹内的keras.json文件如下：
（4）验证安装
>>>import keras Using Theano(Tensorflow) backend. >>>当然，还有theano的加速模式，可参考： Keras安装和配置指南(Windows)
.
以下一共有8中图像变换的方式：
旋转 | 反射变换(Rotation/reflection): 随机旋转图像一定角度; 改变图像内容的朝向;
翻转变换(flip): 沿着水平或者垂直方向翻转图像;
缩放变换(zoom): 按照一定的比例放大或者缩小图像;
平移变换(shift): 在图像平面上对图像以一定方式进行平移; 可以采用随机或人为定义的方式指定平移范围和平移步长,
沿水平或竖直方向进行平移. 改变图像内容的位置;
尺度变换(scale): 对图像按照指定的尺度因子, 进行放大或缩小; 或者参照SIFT特征提取思想,
利用指定的尺度因子对图像滤波构造尺度空间. 改变图像内容的大小或模糊程度;
对比度变换(contrast): 在图像的HSV颜色空间，改变饱和度S和V亮度分量，保持色调H不变.
对每个像素的S和V分量进行指数运算(指数因子在0.25到4之间), 增加光照变化;
噪声扰动(noise): 对图像的每个像素RGB进行随机扰动, 常用的噪声模式是椒盐噪声和高斯噪声;
颜色变换(color): 在训练集像素值的RGB颜色空间进行PCA, 得到RGB空间的3个主方向向量,3个特征值
.
网上有一个极为广泛的套路,参考博客《深度学习中的Data Augmentation方法和代码实现》、《深度学习中的数据增强实现（Data Augmentation）》、《keras中文文档-图片预处理》：
from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img # 主要的增强函数 datagen = ImageDataGenerator( rotation_range=0.2, # 整数，旋转范围, 随机旋转(0-180)度 width_shift_range=0.2, # 浮点数，以图像的长宽小部分百分比为变化范围进行横向平移 height_shift_range=0.2, # 浮点数，以图像的长宽小部分百分比为变化范围进行竖直平移 shear_range=0.2, # 浮点数，水平或垂直投影变换 zoom_range=0.2, # 浮点数，随机缩放的幅度，[lower,upper] = [1 - zoom_range, 1+zoom_range] horizontal_flip=True, # 布尔值，进行随机水平翻转 fill_mode=‘nearest‘) # 填充像素，超出边界时，有四种方式：‘constant’、‘nearest’、‘reflect’、‘wrap’ # featurewise_center=True # 使输入数据集去中心化（均值为0） # featurewise_std_normalization=True #将输入除以数据集的标准差以完成标准化 # rescale=1./255,#重放缩因子,默认为None. 如果为None或0则不进行放缩,否则会将该数值乘到数据上(在应用其他变换之前) # zca_whitening=True #对输入数据施加ZCA白化 # channel_shift_range=0.2 #随机通道偏移的幅度 # vertical_flip=True #布尔值，进行随机竖直翻转 #数据导入 img = load_img(‘C:\\Users\\Desktop\\003.jpg‘) x = img_to_array(img) x = x.reshape((1,) + x.shape) # the .flow() command below generates batches of randomly transformed images # and saves the results to the `preview/` directory i = 0 for batch in datagen.flow(x, batch_size=1, save_to_dir=‘C:\\Users\\Desktop‘, #存放文件夹 save_prefix=‘lena‘, #存放文件名字 save_format=‘jpg‘): i += 1 if i > 20: break