cuDNN V3上手体验

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。

$ make all -j2

$ make test -j2

$ make runtest -j2

编译Python和Matlab用到的caffe文件

$ make pycaffe -j8

$ make matcaffe -j8

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

$ sh data/mnist/get_mnist.sh

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。

$ sh examples/mnist/create_mnist.sh

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

$ sh examples/mnist/train_lenet.sh

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。