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~