CUDA8.0+Ubuntu14.04+Caffe安装过程之Caffe安装教程

最新推荐文章于 2022-05-18 22:44:21 发布

原创最新推荐文章于 2022-05-18 22:44:21 发布 · 2.9k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#ubuntu #cuda #gpu

Deep Learning 专栏收录该内容

3 篇文章

订阅专栏

本文详细介绍了在Ubuntu14.04系统下安装Caffe的过程，包括cuDNN配置、OpenCV3.1安装与测试、Caffe安装及依赖项配置，并通过Mnist数据集验证了安装的成功。

Caffe的安装相比于CUDA简单不少，但是还是踩了几个坑，下面简单总结下Caffe的安装过程。

配置cuDNN

cuDNN是GPU加速计算深层神经网络的库。
首先去官网(https://developer.nvidia.com/rdp/cudnn-download)下载cuDNN,根据提示下载对应的版本号如下图：
这里写图片描述
为了稳妥期间我没有下载最近的版本，下载了cuDNN5.0。
下载解压，指令如下

tar -zxvf cudnn-8.0-linux-x64-v5.0-ga.tgz

解压后文件包含如下几项：
*cuda/include/cudnn.h
cuda/lib64/libcudnn.so
cuda/lib64/libcudnn.so.5
cuda/lib64/libcudnn.so.5.0.5
cuda/lib64/libcudnn_static.a*
继续执行以下指令：

sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

复制到cuda对应的include和lib64文件目录中去。

安装OpenCV3.1

下载及安装

从官网(http://opencv.org/downloads.html)下载OpenCV,并将其解压到你要安装的位置，假设解压到了/home/opencv。
安装前准备，创建编译文件夹：

cd ~/opencv
mkdir build
cd build

配置：

cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..

编译：

make -j8 #-j8

-j8表示并行计算，根据自己电脑的配置进行设置，配置比较低的电脑可以将数字改小或不使用，直接输make。
编译make过程中会出现错误，graphcuts中的变量未声明，是因为opencv3.1还不支持cuda8.0，需要对其中的grapcuts.cpp进行更改：
这里写图片描述
然后重新编译一下，即可成功。
以上只是将opencv编译成功，还没将opencv安装，需要运行下面指令进行安装：

sudo make install

测试

首先，新建一个opencv的工作目录，进入后新建一个cpp文件。

mkdir ～/test
cd test
gedit DisplayImage.cpp

编辑如下代码：

#include <stdio.h>
#include <opencv2/opencv.hpp>

using namespace cv;

int main(int argc, char** argv )
{
    if ( argc != 2 )
    {
        printf("usage: DisplayImage.out <Image_Path>\n");
        return -1;
    }

    Mat image;
    image = imread( argv[1], 1 );

    if ( !image.data )
    {
        printf("No image data \n");
        return -1;
    }
    namedWindow("Display Image", WINDOW_AUTOSIZE );
    imshow("Display Image", image);

    waitKey(0);

    return 0;
}

接着，在当前目录下创建CMake编译文件

gedit CMakeList.txt

编辑如下内容：

cmake_minimum_required(VERSION 2.8)
project( DisplayImage )
find_package( OpenCV REQUIRED )
add_executable( DisplayImage DisplayImage.cpp )
target_link_libraries( DisplayImage ${OpenCV_LIBS} )

然后，编译：

cmake .
make

此时已经生成可执行bin文件，下载lena.jpg放在opencv-lena下。执行：

./DisplayImage lena.jpg

最后显示得到结果
这里写图片描述
显示成功，即表明opencv安装成功。

Caffe安装

安装caffe前要安装一些依赖项，照着下面的步骤依次安装即可。
1) 安装依赖项

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev

2) 安装BLAS

sudo apt-get install libatlas-base-dev

3) 安装pycaffe接口所需要的依赖项

sudo apt-get install -y python-numpy python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags cython ipython

4) 继续gflags,glog等依赖项

sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

5）下载caffe并编译
在主目录下新建一个caffe的文件目录，按照下面顺序进行安装配置。

(1)将终端cd到要安装caffe的位置。

(2)从github上获取caffe：

git clone https://github.com/BVLC/caffe.git

注意：若没有安装Git，需要先安装Git：

sudo apt-get install git

(3)因为make指令只能make Makefile.config文件，而Makefile.config.example是caffe给出的
makefile例子，因此，首先将Makefile.config.example的内容复制到Makefile.config：

sudo cp Makefile.config.example Makefile.config

(4)打开并修改配置文件：

sudo gedit Makefile.config #打开Makefile.config文件

针对需求修改几项即可，如下：

a.若使用cudnn，则

将#USE_CUDNN := 1

修改成：

USE_CUDNN := 1

b.若使用的opencv版本是3的，则

将#OPENCV_VERSION := 3去掉修改为：

OPENCV_VERSION := 3

c.若要使用python来编写layer，则

将#WITH_PYTHON_LAYER := 1去掉#号修改为

WITH_PYTHON_LAYER := 1

然后开始编译：

make all -j16
make runtest -j16

编译过程中会报错，如下

error while loading shared libraries:libcudart.so.8.0: cannot open shared object file: No such file or directory

这是因为没cuda的lib路径没添加上，终端写入命令：

sudo ldconfig /usr/local/cuda/lib64

或者

export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH

重新编译即可。
这里写图片描述
到目前位置caffe配置完毕，然后用Mnist数据集进行测试。

Mnist数据测试

安装完成后，下载mnist数据进行测试，过程如下：

1）将终端定位到Caffe根目录

cd ~/caffe

2）下载MNIST数据库并解压缩

./data/mnist/get_mnist.sh

3）将其转换成Lmdb数据库格式

./examples/mnist/create_mnist.sh

4）训练网络

./examples/mnist/train_lenet.sh。最终得到如下的结果
这里写图片描述
我们可以看到最后的精度数值为0.991，说明训练成功。

总结

至此，用两篇博客详细记录了在Ubuntu14.04系统下Cuda和Caffe的配置过程，期间的各种折磨和痛苦无以言表，最终还是成功了，可以开始在此框架下进行深度学习的大展拳脚了。