ubuntu 16.04+Titan Xp + Cuda 9.0 + Cudnn 7.0 + Caffe

 

第一步：安装显卡驱动。

sudo apt-get remove --purge nvidia*

sudo add-apt-repository ppa:graphics-drivers/ppa

sudo apt-get update 

Ctrl+Alt+F1 进入命令行界面：

sudo service lightdm stop

sudo apt-get install nvidia-3**

版本号：在Nvidia官网上查看对应系统和显卡的版本号，Titan Xp 对应的是390.

重启系统后，命令行输入

nvidia-smi

如果看到显卡状况的显示，说明安装成功。

第二步：安装相关依赖项。

sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev 
sudo apt-get install -y libhdf5-serial-dev libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler protobuf-c-compiler 
sudo apt-get install -y protobuf-compiler python-numpy python-scipy python-matplotlib python-sklearn python-skimage python-h5py 
sudo apt-get install -y python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags cython ipython
sudo apt-get install -y libopenblas-dev
sudo apt-get install -y freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libglu1-mesa libglu1-mesa-dev

第三步：安装Cuda 9.0.

官网下载run文件，切换到下载目录给予run文件可执行权限，然后运行安装。

！！！Note：安装过程中会遇到Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 3**? 一定选择No

其余的全都accpet和yes

添加环境变量，打开.bashrc文件，在里面添加

export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

然后

source ~/.bashrc

最后

nvcc --version(version前有两个短线)

如果安装成功，可以看到Cuda的版本。

第四步：安装Cudnn 7.0.

这里直接参考官网安装建议：

1. Navigate to your <cudnnpath> directory containing cuDNN Debian file.
2. Install the runtime library, for example:

   sudo dpkg -i libcudnn7_7.0.3.11-1+cuda9.0_amd64.deb

3. Install the developer library, for example:

   sudo dpkg -i libcudnn7-dev_7.0.3.11-1+cuda9.0_amd64.deb

4. Install the code samples and the cuDNN Library User Guide, for example:

   sudo dpkg -i libcudnn7-doc_7.0.3.11-1+cuda9.0_amd64.deb

5. To verify that cuDNN is installed and is running properly, compile the mnistCUDNN sample located in the /usr/src/cudnn_samples_v7 directory in the debian file.

6. Copy the cuDNN sample to a writable path.

   $cp -r /usr/src/cudnn_samples_v7/ $HOME

7. Go to the writable path.

   $ cd  $HOME/cudnn_samples_v7/mnistCUDNN

8. Compile the mnistCUDNN sample.

   $make clean && make

9. Run the mnistCUDNN sample.

   $ ./mnistCUDNN

   If cuDNN is properly installed and running on your Linux system, you will see a message similar to the following:

   Test passed!

第五步：安装OpenBLAS.

下载地址：http://www.openblas.net/

赚到下载目录，然后：
 

make
sudo make install

第六步：安装Caffe.

下载地址： http://caffe.berkeleyvision.org/ 
 切换到Caffe-master的文件夹:

cp Makefile.config.example Makefile.config

a. USE_CUDNN := 1#去掉这个注释 ;

b.WITH_PYTHON_LAYER := 1 #去掉这个注释;

c.启动OpenBLAS:

BLAS := open

d.配置文件路径。

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/lib/x86_64-linux-gnu/hdf5/serial/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/hdf5/serial

e.其他配置。

然后根据自己的cuda文档提示删去或者注释掉相应的版本的，例如

CUDA_ARCH := #-gencode arch=compute_20,code=sm_20 \

#-gencode arch=compute_20,code=sm_21 \（要根据自己实际才cuda版本注释，文件本身有提示）

Titan xp  需要删除或者注释所有和20，21相关的。

f. 编译安装：

make all -j16
make test -j16
make runtest -j16
make pycaffe -j16

j16表示用多少个cpu进行编译，参考自己电脑的cpu配置情况。

g.测试安装是否成功。

（1）

运行MNIST例子：

进入caffe/data/mnist执行./get_mnist.sh下载MNIST数据集

运行在caffe根目录运行./examples/mnist/create_mnist.sh将数据集转换为caffe能处理的格式

在$CAFFE_ROOT/examples/mnist/lenet_solver.prototxt文件中修改训练使用CPU还是GPU

在caffe根目录下运行./examples/mnist/train_lenet.sh来运行MNIST示例。

（2）

赚到caffe-master文件夹，打开命令行界面：

python
import caffe

如果import成功则说明安装成功。