NVIDIA出品,良心保证,下载链接:https://developer.nvidia.com/rdp/cudnn-download?sid=982517(需要注册下载)
百度云有v3.0 rc版http://pan.baidu.com/share/link?shareid=2049226165&uk=3574722464 密码:eqsz
1下载后解压
$ tar zvxf cudnn-7.0-linux-x64-v3.0-prod.tgz
解压后会有一个cuda的文件夹。
2 安装cuDNN V3
$ sudo cp cudnn.h /usr/local/include
$ sudo cp libcudnn.so /usr/local/lib
$ sudo cp libcudnn.so.7.0 /usr/local/lib
$ sudo cp libcudnn.so.7.0.64 /usr/local/lib
3 链接cuDNN的库文件
$ sudo ln -sf /usr/local/lib/libcudnn.so.7.0.64 /usr/local/lib/libcudnn.so.7.0
$ sudo ln -sf /usr/local/lib/libcudnn.so.7.0 /usr/local/lib/libcudnn.so
$ sudo ldconfig -v
4 切换到caffeine-master文件夹,注意:保证前面的所以caffe需要的依赖性已经安装成功。
. 启用CUDNN,去掉"#“
USE_CUDNN := 1
5. 编译caffe-master!!!"-j2"是使用CPU的多核进行编译,可以极大地加速编译的速度,建议使用。
编译Python和Matlab用到的caffe文件
6 . 使用MNIST数据集进行测试Caffe默认情况会安装在$CAFFE_ROOT,就是解压到那个目录,例如:$ home/username/caffe-master,所以下面的工作,默认已经切换到了该工作目录。下面的工作主要是,用于测试Caffe是否工作正常,不做详细评估。具体设置请参考官网:http://caffe.berkeleyvision.org/gathered/examples/mnist.html
1. 数据预处理
2. 重建lmdb文件。Caffe支持三种数据格式输入网络,包括Image(.jpg, .png等),leveldb,lmdb,根据自己需要选择不同输入吧。
生成mnist-train-lmdb 和 mnist-train-lmdb文件夹,这里包含了lmdb格式的数据集
3. 训练mnist
至此,Caffe安装的所有步骤完结,下面是一组简单的数据对比,实验来源于MNIST数据集,主要是考察一下不同系统下CPU和GPU的性能。可以看到明显的差别了,虽然MNIST数据集很简单,相信复杂得数据集,差别会更大,Ubuntu+GPU是唯一的选择了。
对比发现:测试平台1:i5-4590K/8G/GTX 760/CUDA 7.0
MNIST Ubuntu 14.04 on GPU(cuDNN):42s
MNIST Ubuntu 14.04 on GPU:185s
cuDNN的威力可见一斑!
注意:make的时候可能会出现未定义的引用,感觉是软链接没设好,重新链接下就OK。