Ubuntu 14.04_64bit+Cuda 7.0配置深度学习框架caffe

之前配过无GPU版本的caffe，后来因为需要，所以配置GPU版本的，其实caffe配起来也不是很难，有几个细节需要注意，应该就能够在你的机子上跑起来，所以，不要怕，出了问题可以Google，百度，必应。。。
我这里面主要参考了师兄的教程和网上的一些资料，写个比较简单易懂的教程，也方便我自己下次使用。So, let’s get started….
可能需要用到的网址：
1. caffe下载地址：https://github.com/BVLC/caffe
2. caffe环境官网配置文档：
http://caffe.berkeleyvision.org/installation.html
3. cuda 配置地址
http://docs.nvidia.com/cuda/cuda-getting-started-guide-for-linux/index.html#axzz3xBRqHocK

简单说明一下：
在安装的时候我尽量使用默认路径和安装方式，不行就切换到根目录下安装（本质是是没关系的），为了方便。科学计算库我选择的是Atlas,安装方便，一条命令搞定，但是没有OpenBLAS 那么高大上，估计性能会low点，要是偏爱OpenBLAS的小伙伴可以自行改为OpenBLAS，也不麻烦。另外，源代码没有使用GPU加速，所以配caffe时没有安装cuDNN.还有，很多小伙伴在安装时是给服务器安装，这里就需要用到远程登录软件了。当然。SSH肯定没问题，只不过对于不是Linux大牛的话。用起来可能会比较不方便（没有图形化操作界面），可以配置小工具，如putty啥的。这里我要推荐一款神器，TeamView，它是商业化软件，但是个人使用不收费，而且图形化操作很方便，文件传输，远程登录，还可以视频会议，超级棒。

---

1 预检查与安装cuda
1.1 Verify You Have a CUDA-Capable GPU
$ lspci | grep -i nvidia

1.2. Verify You Have a Supported Version of Linux
$ uname -m && cat /etc/*release

1.3. Verify the System Has gcc Installed
$ gcc –version

1.4. Install repository meta-data
$ sudo dpkg -i cuda-repo-.deb(这个.deb的文件名你需要换成自己下载的cuda包。https://developer.nvidia.com/cuda-downloads )

1.5. Update the Apt repository cache
$ sudo apt-get update

1.6. Install CUDA
$ sudo apt-get install cuda

2 Additional Package Manager Capabilities
2.1 Available Packages
cat /var/lib/apt/lists/*cuda*Packages | grep “Package:”
2.2 Package Upgrades
sudo apt-get install cuda
sudo apt-get install cuda-drivers
然后重启电脑：sudo reboot!!!(血的教训，找了很多地方没问题，原来是我忘记在这一步重启了，重启之后就OK了，哎。。。)

3 安装cuDNN
这个貌似还要在官网上申请，所以我暂时也弄，后期版本要做的话，估计会弄，暂时先摆在这里。先下载安装包，例如：
cudnn-7.5-linux-x64-v5.0-ga.tgz
依次输入下面的命令：
tar -zxvf cudnn-7.5-linux-x64-v5.0-ga.tgz
cd cuda
sudo cp lib/lib* /usr/local/cuda/lib64/
sudo cp include/cudnn.h /usr/local/cuda/include/

更新软连接

cd /usr/local/cuda/lib64/
sudo chmod +r libcudnn.so.5.0.5
sudo ln -sf libcudnn.so.5.0.5 libcudnn.so.5
sudo ln -sf libcudnn.so.5 libcudnn.so
sudo ldconfig

4 设置环境变量

在/etc/profile中添加CUDA环境变量
sudo gedit /etc/profile

将下面的代码复制到上面的配置文件里面
PATH=/usr/local/cuda/bin:$PATH
export PATH

保存后执行下面命令使之生效：
source /etc/profile

同时需要添加lib库路径： 在 /etc/ld.so.conf.d/加入文件 cuda.conf, 内容如下：
/usr/local/cuda/lib64

保存后，执行下列命令使之立刻生效：
sudo ldconfig

5 安装CUDA sample
进入/usr/local/cuda/samples, 执行下列命令来build samples:
sudo make all -j4
编译可能会有点慢，稍安勿躁，整个过程大概10分钟左右, 全部编译完成后， 进入 samples/bin/x86_64/linux/release, 运行deviceQuery：
./deviceQuery
这里会出现一大坨信息，当你看到你的显卡信息和CUDA版本信息等等，并且Result = PASS ，恭喜你，这步完成了。

6 Boost库的安装（选装）
首先，安装各种包：
sudo apt-get install mpi-default-dev　　#安装mpi库
sudo apt-get install libicu-dev　　　　　#支持正则表达式UNICODE字符集
sudo apt-get install python-dev　　　　　#需要python的话
sudo apt-get install libbz2-dev

然后在boost官网下载安装包，解压后工作目录切换到文件夹下，运行./boostrap.sh文件 ./b2 install命令。boost库安装完成后，安装矩阵计算库(MKL openBlas 或者 Atlas)
这里安装好了只后，可以写个文件测试一下：

# 建立一个test.cpp文件
1.  #include<iostream>  
2.  #include<boost/bind.hpp>  
3.  using namespace std;  
4.  using namespace boost;  
5.  int fun(int x,int y){return x+y;}  
6.  int main(){  
7.      int m=1;int n=2;  
8.      cout<<boost::bind(fun,_1,_2)(m,n)<<endl;  
9.      return 0;  
10. }  

g++ test.cpp -o test
./test

7 安装矩阵计算库
为了方便，我这里只用了Atlas，Makefile.config 也不需要改动。如果是OpenBLAS的话，记得要修改这个配置文件。我选择最简单的矩阵库Atlas，只需一条命令
sudo apt-get install libatlas-base-dev

安装完矩阵库后，安装opencv

8 OpenCV 的安装

首先，安装一大坨依赖包：
sudo apt-get install build-essential
sudo apt-get install libgtk2.0-dev libavcodec-dev libavformat-dev libtiff4-dev libswscale-dev libjasper-dev
sudo apt-get install cmake

然后编译opencv，首先从官网下载opencv，解压后把工作目录切换到opencv解压后文件夹中
cd opencv-2.4.9
mkdir release
cd release
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D CUDA_ARCH_BIN=3.2 ..
make
sudo make install

这步要是遇到错误，请及时解决，要不可能影响下一步安装，然后重新cmake make make install即可。
注意也要把opencv写入/etc/ld.so.conf.d目录中的新增文件(如opencv.conf)，写入/usr/local/lib。然后使用ldconfig使得某些库文件被系统共享
sudo ldconfig –v

有些博客建议这样安装opencv：
安装的是2.4.10（我安装的是2.4.9版本）
1）下载安装脚本 https://github.com/bearpaw/Install-OpenCV
2）进入目录 Install-OpenCV/Ubuntu/2.4
3）执行脚本
sh sudo ./opencv2_4_10.sh
不确定到底行不行，不过可以试试，很简单的方式。

9 Caffe所需要的Python依赖库的安装
接下来就是caffe所需的python库的安装
首先，下载最新的pip：https://pip.pypa.io/en/latest/installing/，下载get-pip.py然后并运行
python get-pip.py
即可得到最新版的pip。然后利用caffe官网给的python库安装命令，进入caffe根目录，在进入Python文件夹下执行：

(这条命令CSDN编辑器显示有问题，所以以图片形式呈现)

这个其实是一个循环，把caffe需要的Python依赖包全部安装上，但是往往会出现问题，所以安装完之后为确保正确可以一个个upgrade一下。很多人用Anaconda来做这一步，我这里没有，感觉步骤越简单越不容易出错。
其他库的安装：
//rotobuf, glog, gflags, hdf5 以及其他的库：
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler

10 Caffe安装与编译
终于进入到最后一步安装了，实际上如果之前的都很流畅的完成的话，最后一步应该不会有任何问题，很流畅的走完全程。
make all -j8 ，
make test -j8 ，
make runtest -j8
这里8指的是线程个数，如果机子还可以，可以改成24，这会加快执行速度。
如果需要python接口还需要make pycaffe ，matlab的话则需要make matcaffe
这一步要是出错，可以上网搜解决方案，应该很多的，找到之后更改时需要先make clean 清除之前的内容在make all test runtest。

这样的话表面测试通过，caffe配成功啦！
接下来，你可以跑跑caffe里面自带的examples来直观感受下它的强大：
进入caffe根目录，输入命令
./data/mnist/get_mnist.sh
就可以执行脚本，获取LeNet所需的数据库了。
接着，执行：
./examples/mnist/create_mnist.sh

就可以执行脚本，处理数据库。编程我们想要用的LMDB格式。
接下来，用命令：
./examples/mnist/train_lenet.sh，
这样模型就可以跑起来了：

在对应的文件夹下，我们可以找到模型。至此，一切OK啦！