anaconda下安装caffe的流程
这个是17年刚上研一配的caffe环境，不得不说，对于刚接触深度学习的同学来说，caffe的配置让你会感到沮丧，因为问题实在太多。但是caffe还是非常值得我们学习的，尤其对于入门的同学。caffe的源码简洁而有条理，深入学习也是很有必要的。即使我们现在都将框架建立在tensorflow，keras，pytorch上，也值得我们学习。
下面将配置分享给大家，如果有什么问题，欢迎探讨。
1,ubuntu16.04的安装
安装ubuntu16.04,这个网上有很多教材，多参考，注意两点就行：
1,用UEFI或者默认启动，需要修改设置（开机一直按esc进入），建议用UEFI。
2，建议手动分盘，很简单，了解每个区都是干什么的，那么你就可以分配好。我的256的固态。
根目录：/，挂载在主分区，用ex4文件，大小20左右，用处就是一些系统的一些缓存和日志，太大没有用。
boost，用于启动系统，大小514M。逻辑分区，ex4.
usr，用户安装的软件，系统，各种更新，都在这里面，建议也尽量大。256固态，60G左右。逻辑分区，ex4.
home，用户区域，你的下载，存储的文件都在这个区，尽量大，一般把剩下的都给home。逻辑分区，ex4.
注意，最后的安装引导要选，boost文件。
当然我们可以不手动分区，可以只有/，boost，那么生成的系统里，会自动分配好，home，usr的，只不过他们的大小和根目录/里的其他文件一样，共享根目录空间。所以这会有系统风险！你在安装linux时，要看一看linux教材，你要懂一些linux系统，不要局限与只是一些基本的命令。
当然你也可以安装其他linux版本。但是ubnutu支持caffe需要的依赖等好一些。你可以看看很多文件都是支持ubuntu下载。
2，nvida驱动安装。
建议安装比最新版本低一个的版本，我的是384.最新的比较稳定。驱动的作用这里不再多说。具体安装过程网上有很多教程，大家都是对的。
最后用，nvida-smi查看。
需要说明一点就是cuda的版本问题。cuda8.0目前支持比较好。如果按照官网介绍的安装cuda9.0，这回在安装opencv等时出现问题，原因在于，cuda太新，opencv发布的版本不受9.0的某些支持。
3,cuda8.0的安装
cuda是英伟达的关于gpu的一个加速器，详细介绍看官网。
去官网下载文件。首先在官网上下载cuda8安装文件https://developer.nvidia.com/cuda-downloads
（经测试最新的9版本及387驱动在caffe编译runtest时会出现gpu错误，官网说支持caffe2，因为要使用caffe所以这里安装了低版本的驱动375.66和cuda8）
$sudo sh NVIDIA-Linux-x86_64-xxx.runaccept，注意第一个问题是否安装驱动要选no，yes，
安装位置按默认，yes，yes，sample安装位置输入自定义的~/Develop。
配置系统环境变量：
添加环境变量：
$export PATH=/usr/local/cuda-8.0/bin:$PATH
$ export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH上面的指令可直接在终端输入，即可添加环境变量（注意千万不要听信网上这样添加的环境变量：
再声明一下环境变量，并将其写入到 ~/.bashrc 的尾部:
export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}我试过一次，真的会搞死你，因为后面会出现其他系统本身的指令都不能用的问题，反正你可以试试，
然后你就去百度一大堆问题，发现有些庸医跟你说修改 profile 文件，这回是真的死了...你一旦修改了
profile 文件，那你在重启的时候会在登陆界面循环登陆,卡死你，反正我后面没招了，只能重装系统～）
3. 最后再来测试一下 CUDA，运行：在 NVIDIA_CUDA-8.0_Samples 下执行该指令：(其实只要环境变量
设置好，在哪里执行下面的指令都可以）
nvidia-smi
4,cudnn的安装
这个安装很简单。注意两点，1,cudnn是用来加速的，最新版本为最好，没有说和cuda匹配的问题，用最新的v7就行。2,关于要建立软链接的问题，你可以安装其他教程建立软链接，也可以用特殊方式安装不需要建立软链接。
这个问题不是很大。
$ sudo cp cuda/include/cudnn.h /usr/local/cuda/include/(根据你解压后 cuda 的路径的不同而不同,注意
中间有空格）
$ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/(根据你解压后 cuda 的路径的不同而不同，注
意中间有空格）
cd /usr/local/lib
$ sudo chmod +r libcudnn.so.5.1.3
$ sudo ln -sf libcudnn.so.5.1.3 libcudnn.so.5
$ sudo ln -sf libcudnn.so.5 libcudnn.so
$ sudo ldconfig（注意，每一次修改后都要运行使改变生效）
首先安装一系列的依赖项文件：
sudo apt-get install build-essential
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev
libboost-all-dev libhdf5-serial-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev protobufcompiler
sudo apt-get install libatlas-base-dev
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev
libavformat-dev libswscale-dev
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev
libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev
sudo apt-get install vim
注意，这是在没有安装anaconda的情况下对ubuntu16.04系统带的python的库安装，因为这些caffe需要依赖，所以，在caffe的python-lib设置里只能设置一个，或者用系统自带的，或者用anaconda的，这两个都对，但是切忌，不能不选或者都选，因为系统 自带的python2.7和anaconda里的上述库有可能会冲突。安装软件的最好途径就是你把需要的软件都非常明了，知道那一块都是做什么的，为什么要配置，那么，你就会少去很多坑。别人教程只是适合小部分情况，不要全部参考。
5,opencv2.4.13.15
去 opencv 官网下载 opencv 2.4.13.15，（不要用opencv3,还是cuda和它的版本问题），然后使用 unzip 命令解压 opencv 文件
$ cd ~/opencv xx(根据个人刚刚下载的 opencv 文件名字而修改）
$ mkdir build
$ cd build
~/opencv/build# cmake -D CMAKE_BUILD_TYPE=Release -D
CMAKE_INSTALL_PREFIX=/usr/local .. (注意后面的省略号～都是需要添加进去的,都是在同一条语句下的）
~/opencv/build# make -j4 ＃根据个人电脑选择 最好是选择电脑的核数
（怎么查询个人电脑的核数？$ cat /proc/cpuinfo| grep "cpu cores"| uniq)
~/opencv/build# sudo make install
不报错，完成。6,anaconda2的安装
官网下载，直接sh命令运行。注意安装python2.7.14或者python3就行。没有什么技巧。
anaconda安装后禁了环境变量。选了no。用export PATH="~/anaconda2/bin:$PATH"代替。
当然你也可以设置为yes。
下面的才是重点，当你按要求配置好之前的依赖后，按照下面的修改，可以用anaconda很好的解决caffe的依赖问题。而且不会报错。
anaconda好处在于集成了很多python的库，这个非常的好，不仅解决了python包的依赖问题，而且非常便于用pycaffe接口可视化训练模型。关于pycaffe接口的设置。
7,caffe的安装
在github上clone。
1,~/caffe# cp Makefile.config.example Makefile.config
2,修改Makefile.config(这是关键！)
修改Makefile.config
## Refer to http://caffe.berkeleyvision.org/installation.html
# Contributions simplifying and improving our build system are welcome!
# cuDNN acceleration switch (uncomment to build with cuDNN).
USE_CUDNN := 1#修改
# CPU-only switch (uncomment to build without GPU support).
# CPU_ONLY := 1
# uncomment to disable IO dependencies and corresponding data layers
# USE_OPENCV := 0
# USE_LEVELDB := 0
# USE_LMDB := 0
# uncomment to allow MDB_NOLOCK when reading LMDB files (only if necessary)
# You should not set this flag if you will be reading LMDBs with any
# possibility of simultaneous read and write
# ALLOW_LMDB_NOLOCK := 1
# Uncomment if you're using OpenCV 3
# OPENCV_VERSION := 3
# To customize your choice of compiler, uncomment and set the following.
# N.B. the default for Linux is g++ and the default for OSX is clang++
# CUSTOM_CXX := g++
# CUDA directory contains bin/ and lib/ directories that we need.
CUDA_DIR := /usr/local/cuda
# On Ubuntu 14.04, if cuda tools are installed via
# "sudo apt-get install nvidia-cuda-toolkit" then use this instead:
# CUDA_DIR := /usr
# CUDA architecture setting: going with all of them.
# For CUDA < 6.0, comment the *_50 lines for compatibility.
CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \
-gencode arch=compute_20,code=sm_21 \
-gencode arch=compute_30,code=sm_30 \
-gencode arch=compute_35,code=sm_35 \
-gencode arch=compute_50,code=sm_50 \
-gencode arch=compute_50,code=compute_50
# BLAS choice:
# atlas for ATLAS (default)
# mkl for MKL
# open for OpenBlas
BLAS := atlas
# Custom (MKL/ATLAS/OpenBLAS) include and lib directories.
# Leave commented to accept the defaults for your choice of BLAS
# (which should work)!
# BLAS_INCLUDE := /path/to/your/blas
# BLAS_LIB := /path/to/your/blas
# Homebrew puts openblas in a directory that is not on the standard search path
# BLAS_INCLUDE := $(shell brew --prefix openblas)/include
# BLAS_LIB := $(shell brew --prefix openblas)/lib
# This is required only if you will compile the matlab interface.
# MATLAB directory should contain the mex binary in /bin.
# MATLAB_DIR := /usr/local
# MATLAB_DIR := /Applications/MATLAB_R2012b.app
# NOTE: this is required only if you will compile the python interface.
# We need to be able to find Python.h and numpy/arrayobject.h.
#PYTHON_INCLUDE := /usr/include/python2.7 \
/usr/lib/python2.7/dist-packages/numpy/core/include
# Anaconda Python distribution is quite popular. Include path:
# Verify anaconda location, sometimes it's in root.
ANACONDA_HOME := $(HOME)/anaconda2#修改
PYTHON_INCLUDE := $(ANACONDA_HOME)/include \
$(ANACONDA_HOME)/include/python2.7 \
$(ANACONDA_HOME)/lib/python2.7/site-packages/numpy/core/include \
/usr/include/python2.7#修改
LINKFLAGS := -Wl,-rpath,$(HOME)/anaconda2/lib#修改
# Uncomment to use Python 3 (default is Python 2)
# PYTHON_LIBRARIES := boost_python3 python3.5m
# PYTHON_INCLUDE := /usr/include/python3.5m \
# /usr/lib/python3.5/dist-packages/numpy/core/include
# We need to be able to find libpythonX.X.so or .dylib.
PYTHON_LIB := /usr/lib#修改
# PYTHON_LIB := $(ANACONDA_HOME)/lib
# Homebrew installs numpy in a non standard path (keg only)
# PYTHON_INCLUDE += $(dir $(shell python -c 'import numpy.core; print(numpy.core.__file__)'))/include
# PYTHON_LIB += $(shell brew --prefix numpy)/lib
# Uncomment to support layers written in Python (will link against Python libs)
WITH_PYTHON_LAYER := 1#修改
# Whatever else you find you need goes here.
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial
# If Homebrew is installed at a non standard location (for example your home directory) and you use it for general dependencies
# INCLUDE_DIRS += $(shell brew --prefix)/include
# LIBRARY_DIRS += $(shell brew --prefix)/lib
# Uncomment to use `pkg-config` to specify OpenCV library paths.
# (Usually not necessary -- OpenCV libraries are normally installed in one of the above $LIBRARY_DIRS.)
# USE_PKG_CONFIG := 1
# N.B. both build and distribute dirs are cleared on `make clean`
BUILD_DIR := build
DISTRIBUTE_DIR := distribute
# Uncomment for debugging. Does not work on OSX due to https://github.com/BVLC/caffe/issues/171
# DEBUG := 1
# The ID of the GPU that 'make runtest' will use to run unit tests.
TEST_GPUID := 0
# enable pretty build (comment to see full commands)
Q ?= @
3,修改~/. Bashrc
~/. bashrc
# added by Anaconda2 installer
#export PATH="/home/iebsn/anaconda2/bin:$PATH"
#export PYTHONPATH=/home/iebsn/soft3/caffe/python:$PYTHONPATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda/bin:$PATH
export PATH
export PATH="~/anaconda2/bin:$PATH"
经过上面的设置，可以避免出现各种错误。直接passed。尤其hdf5版本不匹配问题。
$:make all -j4
$make test
$make runtest
到此，caffe安装成功。你可以使用简单的mnisit测试一下。因为我们把图片格式转为了lmdb，所以你在命令行看到的就是数字化的结果。看不到可视化的结果。如果想更加直观的使用，那么我们需要配置caffe的两个接口，供python调用或者matlab使用。一般pycaffe就够了。
pycaffe接口的配置
使用pip更新一些库（不是必须）。然后pip –version查看是来此哪里的pip，安装anaconda后一般pip显示为anaconda里的。这个和conda一样，都是包的管理工具，可以更新，安装，删除，等操作。之后配置pycaffe接口。
confige as this in ~/.bashrc: export PYTHONPATH=/home/iebsn/soft3/caffe/python:$PYTOHNPATH
更新之后的~/. Bashrc
# added by Anaconda2 installer
export PATH="/home/iebsn/anaconda2/bin:$PATH"
export PYTHONPATH=/home/iebsn/soft3/caffe/python:$PYTHONPATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda/bin:$PATH
export PATH
export PATH="~/anaconda2/bin:$PATH"make pycaffe（在caffe主目录下）
在任何目录下进入python，import caffe，不报错就可以了。当然你也可以进入python3,ipython，ipython notbook使用。或者集成在spyder里。
289
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
