博主的笔记本配置：Ubuntu16.04LTS + i7-7700hq+GXT1050 4G
一、安装Anaconda3
1、下载
下载地址：https://www.continuum.io/downloads
2、安装
在文件目录下执行：bash Anaconda3-4.2.0-Linux-x86_64.sh
回车键继续
阅读完注册信息后，这里输入“yes”
选择加入环境变量，这里输入“yes”
看到信息“For this change to become active, you have to open a new terminal.”（要使这个更改生效，必须打开一个新的终端。）这句话提示，需要在新的终端窗口使用anaconda，打开新的终端，查看相应的版本信息
3、创建tensorflow所需要的环境
conda create -n tensorflow python=3.6
4、激活（相当于进入到tensorflow的环境中）
source activate tensorflow
激活以后命令行前面会增加 (tensorflow)
二、安装Nvidia驱动
安装NVIDIA驱动有几种方法，网上大多建议进入tty终端手动运行run驱动文件，但是博主按照这种方法装不成功，提示以下错误，供大家参考：
1、在安装run驱动文件时会报make -j8 NV_EXCLUDE_BUILD_MODULES错误
ERROR: Failed to run `/usr/sbin/dkms build -m nvidia -v 367.57 -k 4.15.0-36-generic`:
Kernel preparation unnecessary for this kernel. Skipping...
Building module:
cleaning build area.... 'make' -j8 NV_EXCLUDE_BUILD_MODULES='' KERNEL_UNAME=4.15.0-36-generic modules.....(bad exit status: 2)
ERROR (dkms apport): binary package for nvidia: 367.57 not found
Error! Bad return status for module build on kernel: 4.15.0-36-generic (x86_64)
Consult /var/lib/dkms/nvidia/367.57/build/make.log for more information.
这个错误可以通过安装时多添加一个选项-no-cc-version-check来解决
2、成功安装后nvidia-smi能正常显示信息，但nvidia-settings报错：
Error：unable to load info from any available system
这个错误通过sudo apt-get install nvidia-settings来解决，但打开驱动settings界面后依旧报错，所以还是不可行。
我推荐的方法：通过使用标准Ubuntu仓库和ppa源进行自动安装
1、先禁用Nouveau，方法为：
sudo gedit /etc/modprobe.d/blacklist.conf
或者
sudo vim /etc/modprobe.d/blacklist.conf
在最后两行添加：
blacklist nouveau
options nouveau modeset=0 // 禁用nouveau第三方驱动，之后也不需要改回来
执行
sudo update -initramfs -u // 更新内核
2、使用标准Ubuntu 仓库和ppa进行自动安装
sudo add-apt-repository ppa:graphics-drivers/ppa //添加ppa库到系统中
sudo apt update // 更新
sudo ubuntu-drivers autoinstall //自动下载，由于仓库在国外所以下载很慢，可以考虑科学上网的方法
sudo reboot //重启
3、验证安装成功：
输入：nvidia-smi
显示：
输入：nvidia-settings
显示：
三、安装CUDA9.0（博主的笔记本GXT1050是支持CUDA的）
1、首先去英伟达官网下载cuda9.0安装包
(ubuntu) https://developer.nvidia.com/cuda-90-download-archive?target_os=Linux&target_arch=x86_64&target_distro=Ubuntu&target_version=1604&target_type=runfilelocal（下载Base Installer）
2、安装相关依赖库：（缺少相关依赖库等会安装时会报错误Missing recommended library: libGLU.so；Missing recommended library: libXmu.so）
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev
如果提示依赖无法解决，则尝试sudo aptitude install 安装，选择一个合适的依赖解决方案。ps：如果没有apttitude则aptitude需要另外安装。
3、安装：（安装之前要禁用nouveau，方法参考上面对应部分）
给runfile文件赋权限：chmod a+x cuda_9.0.176_384.81_linux2.run
执行安装：sudo ./cuda_9.0.176_384.81_linux2.run
安装过程中一直按着确定键直到100%，然后按accept、n（不要安装driver）、y、y、y
4、设置环境变量
sudo gedit ~/.bashrc
在文本的末尾加上：
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-9.0/lib64
export PATH=$PATH:/usr/local/cuda-9.0/bin
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda-9.0
5、验证：
nvcc --version
显示如下则代表安装成功：
四、安装cuDNN v7.0.5 (Dec 5, 2017), for CUDA 9.0（注意是安装cuDNN7.0.5版本，如果安装到7.6版本运行tensorflow1.5.0可能会报版本不符错误）
1、(官网) https://developer.nvidia.com/rdp/cudnn-archive
需要先注册然后选择上面的版本要求下载。Cuda和Cudnn可能打开网页很慢，但是下载的时候速度还可以，有些用梯子的人可以考虑还是国内下载的好。
找到如图所示的地方，下载 cuDNN v7.05 Library for Linux
2、解压：tar -xzvf cudnn-9.0-linux-x64-v7.tgz
3、执行安装和赋予权限：
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
4、验证：
输入：
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
显示如下图片则为安装成功
五、安装tensorflow
1、安装依赖包：（pip安装很慢，可以用清华源进行下载例如：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple xxx）xxx就是我们要下载的软件
source activate tensorflow
pip install --upgrade pip
pip install numpy
pip install scipy
pip install cython
pip install h5py
pip install Pillow
pip install scikit-image
pip install keras
pip install theano
pip install jupyter
pip install six
2、安装pycocotools
直接输入
git clone https://github.com/waleedka/coco.git
pip install git+https://github.com/waleedka/coco.git#subdirectory=PythonAPI
3、安装tensorflow cpu版和gpu版
pip install tensorflow==1.5.0 //cpu版本
pip install tensorflow-gpu==1.5.0 //gpu版本
4、安装opencv
在上一基础上，在命令行输入：
pip install opencv-python
5、安装imagaug
pip install imgaug
6、验证tensorflow：
source activate tensorflow
python
import tensorflow as tf
print(tf.__version__)
输入版本号即为成功
到这里MaskRCNN所需要的基本环境就配置成功了
六、配置Mask RCNN
1、下载Mask-RCNN
git clone https://github.com/matterport/Mask_RCNN.git
2、下载coco权重文件
https://github.com/matterport/Mask_RCNN/releases
在页面上下载 mask_rcnn_coco.h5 （246MB）（直接点击mask_rcnn_coco.h5链接即可下载，下载速度很慢，建议用科学上网的形式来加速）
将下载好的mask_rcnn_coco.h5文件放到Mask_RCNN文件夹下。
3、运行Mask_RCNN案例
在前面步骤的基础上进入 Mask_RCNN目录
在命令行输入：
source activate tensorflow
jupyter notebook
稍等片刻，会在浏览器打开页面，点击进入 samples目录，点击demo.ipynp进入代码运行页面
选择 Cell 菜单，在 Cell下拉菜单选择 Run All（运行所有），稍等片刻，在该页面底部会输出运行结果