Ubuntu14.04 +caffe+cuda 7.0

最新推荐文章于 2023-11-29 09:50:37 发布

AltenLi

最新推荐文章于 2023-11-29 09:50:37 发布

阅读量8.8k

点赞数

分类专栏： Linux caffe 文章标签：配置 cuda caffe

本文链接：https://blog.csdn.net/altenli/article/details/44199539

版权

Linux 同时被 2 个专栏收录

6 篇文章 0 订阅

订阅专栏

caffe

1 篇文章 0 订阅

订阅专栏

参考自：https://gist.github.com/bearpaw/c38ef18ec45ba6548ec0

若需要cuDNN加速的童鞋，可以参考上面的网址安装CUDA6.5

本步骤能实现用Intel核芯显卡来进行显示，用NVIDIA GPU进行计算。

1. 安装开发所需的依赖包

安装开发所需要的一些基本包

sudo apt-get install build-essential  # basic requirement
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 #required by caffe

2. 安装CUDA及驱动

2.1 准备工作

在关闭桌面管理 lightdm 的情况下安装驱动似乎可以实现Intel 核芯显卡来显示 + NVIDIA 显卡来计算。具体步骤如下：

首先在BIOS设置里选择用Intel显卡来显示或作为主要显示设备
进入Ubuntu，按 ctrl+alt+F1 进入tty，登录tty后输入如下命令
```
sudo service lightdm stop
```
该命令会关闭lightdm。如果你使用 gdm或者其他的desktop manager, 请在安装NVIDIA驱动前关闭他。

2.2 （貌似可以略过）安装NVIDIA显卡驱动

输入下列命令添加驱动源

sudo add-apt-repository ppa:xorg-edgers/ppa
sudo apt-get update

安装346版驱动

sudo apt-get install nvidia-346 nvidia-346-uvm

安装完成后, 最好把下列包也一并安装上 (否则以后可能会缺少文件)

sudo apt-get install nvidia-346-dev

安装完成后 reboot.

2.3 下载deb包及安装CUDA

使用deb包安装CUDA及驱动能省去很多麻烦(参见CUDA Starting Guide)。下载对应于你系统的CUDA deb包,
我下载的是7.0版的，需要先注册才能获得RC版下载权限。
我下载的是deb包，
先双击后在Ubuntu Software Center里点install。
或用下列命令添加软件源

 sudo dpkg -i cuda-repo-<distro>_<version>_<architecture>.deb
 sudo apt-get update

然后在终端中用下列命令安装CUDA

 sudo apt-get install cuda

安装完成后重启电脑.

sudo reboot

2.4 安装cuDNN

由于还没有出配合CUDA7.0的cuDNN下载，所以暂时不安装cuDNN，以免发生不知名错误。

2.5 设置环境变量

安装完成后需要在/etc/profile中添加环境变量, 在文件最后添加:

PATH=/usr/local/cuda/bin:$PATH
export PATH

保存后, 执行下列命令, 使环境变量立即生效

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

3. 安装CUDA SAMPLE

进入/usr/local/cuda/samples, 执行下列命令来build samples

sudo make all -j8

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

如果出现显卡信息，则驱动及显卡安装成功：

./deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "GeForce GTX 980"
  CUDA Driver Version / Runtime Version          7.0 / 7.0
  CUDA Capability Major/Minor version number:    5.2
  Total amount of global memory:                 4096 MBytes (4294770688 bytes)
  (16) Multiprocessors, (128) CUDA Cores/MP:     2048 CUDA Cores
  GPU Clock rate:                                1329 MHz (1.33 GHz)
  Memory Clock rate:                             3505 Mhz
  Memory Bus Width:                              256-bit
  L2 Cache Size:                                 2097152 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
  Maximum Layered 1D Texture Size, (num) layers  1D=(16384), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(16384, 16384), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  2048
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 2 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 1 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 7.0, CUDA Runtime Version = 7.0, NumDevs = 1, Device0 = GeForce GTX 980
Result = PASS

4. 安装openBLAS 或 Intel MKL 或 Atlas

A.如果图省事儿，可以用下列命令安装免费的atlas

sudo apt-get install libatlas-base-dev

B.（不推荐。。caffe总是找不到include和lib）我安装的是openBLAS，首先下载openBLAS
网址：http://www.openblas.net/
网页右上角或最下面下载tar文件，如：

xianyi-OpenBLAS-v0.2.13-0-g51ce5ef.tar.gz

随后解压缩，在终端中输入：

tar -xzvf xianyi-OpenBLAS-v0.2.13-0-g51ce5ef.tar.gz

编译

cd xianyi-OpenBLAS-v0.2.13-0-g51ce5ef
make -j8
sudo make PREFIX=/opt/OpenBLAS install

openBLAS就安装到/opt/OpenBLAS了。

C.如果有mkl安装包，首先解压安装包，下面有一个install_GUI.sh文件，执行该文件，会出现图形安装界面，根据说明一步一步执行即可。

注意：安装完成后需要添加library路径, 创建/etc/ld.so.conf.d/intel_mkl.conf文件，在文件中添加内容

/opt/intel/lib
/opt/intel/mkl/lib/intel64

注意把路径替换成自己的安装路径。编辑完后执行

sudo ldconfig

5. 安装OpenCV

虽然我们已经安装了libopencv-dev, 但该库似乎会导致libtiff的相关问题, 所以我们需要从源代码build 自己的版本。这个尽量不要手动安装， Github上有人已经写好了完整的安装脚本, 能自动安装所有dependencies.

下载该脚本，进入Ubuntu/2.4 目录, 给所有shell脚本加上可执行权限

chmod +x *.sh

修改脚本opencv2_4_X.sh, 在cmake中加入参数

-D BUILD_TIFF=ON

然后安装（当前为2.4.9）

sudo ./opencv2_4_9.sh

脚本会自动安装依赖项，下载安装包，编译并安装OpenCV。整个过程大概半小时左右。

注意，安装2.4.9时中途可能会报错

opencv-2.4.9/modules/gpu/src/nvidia/core/NCVPixelOperations.hpp(51): error: a storage class is not allowed in an explicit specialization

解决方法在此下载 NCVPixelOperations.hpp，替换掉opencv2.4.9内的文件， *并注释掉opencv2_4_9.sh中下载opencv包的代码, 重新执行sudo ./opencv2_4_9.sh`.

还有可能报另外一个错

_compile_generated_gpu_mat.cu.obj
nvcc fatal : Unsupported gpu architecture 'compute_11'

解决方法为
在上面cuda测试的时候显示的CUDA Capability Major/Minor version number: 5.2或者到nvidia官网https://developer.nvidia.com/cuda-gpus#collapse2 找到自己显卡的Compute Capability，
修改脚本opencv2_4_X.sh, 在cmake中加入参数

 -D CUDA_ARCH_BIN="5.2"

（我显卡的Compute Capability是5.2）
听说提前设定好CUDA_ARCH_BIN还会给编译过程加速。

6. 安装Caffe所需要的Python环境

6.1 安装anaconda包

在此下载最新的安装包, 用默认设置安装在用户目录下。

6.2 安装python依赖库

打开新的终端, 用which python和which pip确定使用的是anaconda提供的python环境，然后进入caffe_root/python, 执行下列命令

for req in $(cat requirements.txt); do pip install $req; done

6.3 修正Anaconda存在的bug

加入在编译或者运行caffe时遇到这样的错误

/usr/lib/x86_64-linux-gnu/libx264.so.142:undefined reference to '

那么请删除掉anaconda/lib中的libm.*. 参考this issue

6.4 添加Anaconda Library Path

这里需要注意，在运行Caffe时，可能会报一些找不到libxxx.so的错误，而用 locate libxxx.so命令发现已经安装在anaconda中，这时首先想到的是在/etc/ld.so.conf.d/ 下面将 your_anaconda_path/lib 加入 LD_LIBRARY_PATH中。但是这样做可能导致登出后无法再进入桌面！！！原因（猜测）可能是anaconda的lib中有些内容于系统自带的lib产生冲突。

正确的做法是：为了不让系统在启动时就将anaconda/lib加入系统库目录，可以在用户自己的~/.bashrc 中添加library path，比如我就在最后添加了两行

# add library path
LD_LIBRARY_PATH=your_anaconda_path/lib:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH

开启另一个终端后即生效，并且重启后能够顺利加载lightdm, 进入桌面环境。

7. 安装MATLAB

Caffe提供了MATLAB接口，有需要用MATLAB的同学可以额外安装MATLAB。安装教程请自行搜索。

安装完成后添加图标

sudo vi /usr/share/applications/Matlab.desktop

输入以下内容

[Desktop Entry]
Type=Application
Name=Matlab
GenericName=Matlab R2014b
Comment=Matlab:The Language of Technical Computing
Exec=sh /usr/local/MATLAB/R2014b/bin/matlab -desktop
Icon=/usr/local/MATLAB/Matlab.png
Terminal=false
Categories=Development;Matlab;

(I use the R2013b patched package. First you should uncompress the .iso file. Then use sudo cp to copy the patch file)

8. 编译Caffe

8.1 编译主程序

终于完成了所有环境的配置，可以愉快的编译Caffe了！进入caffe根目录，首先复制一份Makefile.config, 然后修改里面的内容，主要需要修改的参数包括

我的Makefile.config内容如下

CUDA_DIR := /usr/local/cuda
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 := open
BLAS_INCLUDE := /opt/OpenBLAS/include
BLAS_LIB := /opt/OpenBLAS/lib

MATLAB_DIR := /usr/local/MATLAB/R2014b/

PYTHON_INCLUDE := /usr/include/python2.7 \
        /usr/lib/python2.7/dist-packages/numpy/core/include
PYTHON_LIB := /usr/lib
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib

BUILD_DIR := build
DISTRIBUTE_DIR := distribute

TEST_GPUID := 0

CPU_ONLY 是否只使用CPU模式，没有GPU没安装CUDA的同学可以打开这个选项
BLAS (使用intel mkl还是atlas)
MATLAB_DIR 如果需要使用MATLAB wrapper的同学需要指定matlab的安装路径, 如我的路径为 /usr/local/MATLAB/R2013b (注意该目录下需要包含bin文件夹，bin文件夹里应该包含mex二进制程序)
DEBUG 是否使用debug模式，打开此选项则可以在eclipse或者NSight中debug程序
具体设置可以参考Caffe根目录下原有的Makefile.config

完成设置后，开始编译

make all -j4
make test
make runtest

注意 -j4 是指使用几个线程来同时编译，可以加快速度， j后面的数字可以根据CPU core的个数来决定，我的CPU使4核，所以-j4.

8.2 编译Matlab wrapper

执行如下命令

make matcaffe

然后就可以跑官方的matlab demo啦。

8.3 编译Python wrapper

 make pycaffe

然后基本就全部安装完拉.

接下来大家尽情地跑demo吧～

AltenLi

关注

0
点赞
踩
6

收藏

觉得还不错? 一键收藏
3
评论
Ubuntu14.04 +caffe+cuda 7.0

Ubuntu14.04 + caffe + cuda 7.0参考自：https://gist.github.com/bearpaw/c38ef18ec45ba6548ec0若需要cuDNN加速的童鞋，可以参考上面的网址安装CUDA6.5Caffe + Ubuntu 14.04 64bit + CUDA 6.5 配置说明本步骤能实现用Intel核芯显卡来进行显示，用NVIDIA GPU进行计算。1.
复制链接

扫一扫