Caffe（含GPU）安装与测试

最近还是会有很多学习爱好者问我安装caffe的一些问题，虽然现在TF很是受大家的喜欢，但是还是会有很多学习者用着caffe。为了让更多的人少走弯路，网上也有很多教程，我自己来写一下我以前安转的过程与遇到的问题，可以给那些初学者一些建议，希望采纳，如有不对之处，望指正，谢谢！

第一部分：Ubuntu14.04桌面版下载及安装（我是通过U盘安装的，我用工具是UltraISO--特别好用，网上有很多教程，这个不用太过于详细书写）

第二部分：nvidia-cuda-toolkit下载及安装

CUDA 8.0 Downloads

下载好安装包后，拷贝到你新建的文件下，如：/home/您的服务器名字/新建文件夹，这个目录，并用在终端操作：ctrl+alt+t，在此目录输入代码：

sudo dpkg -icuda-repo-ubuntu1404-7-5-local_7.5-18_amd64.deb-----------------等待其完成；sudo apt-get update-----------------等待其完成；sudo apt-get install cuda-----------------等待其完成。

过一会就大功告成了，Cuda7.5安装成功。

第三部分：安装mkl（我也是从别人百度云下载的，您应该也能下载到该文件，嘿嘿！就是下载有点慢。）

1-先安装mkl：

下载好后拷贝到/home/您的服务器名字/新建文件，这个目录，然后直接提取到此处并用终端ctrl+alt+t在此目录输入代码：

chmod a+x parallel_studio_xe_2016 -R----------------等待完成；cd parallel_studio_xe_2016；sudo sh install_GUI.sh（安装GUI）。

后面这里有一些繁琐：

在安装界面，依次点击next-->next-->next-->i accept-->next-输入激活码

激活码获取步骤：

进入网址https://registrationcenter.intel.com/en/forms/?licensetype=2&productid=2486

全选后 accept，输入邮箱，此邮箱必须是教育机构的邮箱（也就是您们学习官方邮箱）

输入后全选accept，之后会出现一个下载页面，点击download，中间会有序列号，你把这个记住就好了。-->next-->no I don'twant...-->next-->next-->install-->next-->finish。

安装完成。

2-配置环境：

终端输入：

sudo gedit /etc/ld.so.conf.d/intel_mkl.conf，输入：/opt/intel/lib/intel64/opt/intel/mkl/lib/intel64

保存退出，再终端输入：

sudo gedit /etc/ld.so.conf.d/cuda.conf，输入：/usr/local/cuda/lib64/lib

保存退出，最后输入：

sudo ldconfig -v

完成。

第四部分：安装opencv3.0.0

参考：ubuntu14.04+opencv 3.0安装及测试

Installation in Linux

4.1- 安装opencv所需的库

GCC 4.4.x or laterCMake 2.6 or higherGitGTK+2.x or higher, including headers (libgtk2.0-dev)pkg-configPython 2.6 or later and Numpy 1.5 or later with developer packages (python-dev, python-numpy)ffmpeg or libav development packages: libavcodec-dev, libavformat-dev, libswscale-dev[optional] libtbb2 libtbb-dev[optional] libdc1394 2.x[optional] libjpeg-dev, libpng-dev, libtiff-dev, libjasper-dev, libdc1394-22-dev[compiler] sudo apt-get install build-essential[required] sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev[optional] sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

4.2- 官网下载最新的opencv源码

4.3- 编译opencv

a.将opencv-3.0.0.zip放在任意目录下，解压 unzip opencv-3.0.0.zip

b.创建编译目录，编译

cd ~/opencv-3.0.0mkdir releasecd release

%%首次运行下一步的时候出现了问题：提示下载ippicv_linux_20141027.tgz，然后下载不出

%%来，参考：Ubuntu14.04 下 OpenCV3 安装 ，独立下载了该文件，然后替换

%%了原来的文件（原来只有14m，下载的有28m）

%%下载地址 Browse /3rdparty/ippicv at SourceForge.net

%%替换文件路径 ~/opencv-3.0.0/3rdparty/ippicv/downloads/linux-8b449a536a2157bcad08a2b9f266828b

%用opencv-3.1.0的时候，可以不用下载ippicv_linux_20141027.tgz该文件去替换。

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

%输入后等待下载: Downloading ippicv_linux_20151201.tgz...

make –j4

%% j后面的数字最好是选择计算机的核心数目

sudo make install

4.4- 测试opencv【不必要】

4.4.1- 创建工作目录

mkdir ~/opencv-lenacd ~/opencv-lenagedit DisplayImage.cpp

4.4.2- 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;  }  nameWindow("Display Image", WINDOW_AUTOSIZE );  imshow("Display Image", image);  waitKey(0);  return 0;}

3.4.3 创建CMake编译文件gedit Cmakelist.txt

写入如下内容：

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

4.4.4- 编译

cd ~/opencv-lenacmake .（注意后面的 “.” ）make

4.4.5- 执行

此时opencv-lena文件夹中已经产生了可执行文件DisplayImage，下载lena.jpg放在opencv-lena下，运行：./DisplayImage lena.jpg

第五部分：安装依赖项

5.1-安装google-glog

下载地址：lee的caffe配置下载glog-0.3.3.tar.gz - 下载频道 - CSDN.NET

安装步骤：将glog‐0.3.3.tar.gz这个文件拷贝到主文件夹下，即/home/您的服务器名字文件夹下，提取到此处，解压后终端输入：

cd /home/您的服务器名字/glog-0.3.3./configuremakesudo make install

安装成功。

5.2-安装其他依赖项：

sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler protobuf-c-compiler protobuf-compiler

5.3-安装Python所需依赖项：

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

第六部分：配置cudnn文件（必用cudnn-7.0-linux-x64-v3.0-prod.tgz这个文件）

6.1 下载最新的cudnn库

官网注册一个developer的账号，等一两天审核，然后才能下载

6.2 解压cudnn-7.0-linux-x64-v3.0-rc.tgz

tar cudnn-7.0-linux-x64-v3.0-rc.tgz

6.3 添加到cudn库中

cd cudasudo cp ./lib64/libcudnn.so.7.0.58 /usr/local/cuda/lib64/sudo cp ./include/cudnn.h /usr/local/cuda/include/sudo ln -s libcudnn.so.7.0.58 libcudnn.so.7.0sudo ln -s libcudnn.so.7.0 libcudnn.sosudo ldconfig /usr/local/cuda/lib64

第七部分：配置caffe-master

将caffe-master.zip这个文件拷贝到主文件夹下，即/home/您的服务器名字文件夹下，提取到此处，解压后终端输入：

cd /home/您的服务器名字/caffe-mastercp ./Makefile.config.example ./Makefile.config

打开刚刚新建的Makefile.config文件，做如下修改：

7.1. 启用CUDNN,去掉"#"

USE_CUDNN := 1

7.2. 配置一些引用文件(增加部分主要是解决新版本下,HDF5的路径问题)

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

7.3. 启用Intel Parallel Studio XE 2016

BLAS := mkl

7.4. 配置路径,实现caffe对Python和Matlab接口的支持

PYTHON_LIB := /usr/local/lib

7.5. 启用OpenCV 3.0,去掉"#"

OPENCV_VERSION =3

到此修改结束，保存退出。

然后编译caffe-master，终端输入：

cd /home/您的服务器名字/caffe-mastermake all -j16（"‐j16"是使用CPU的多核进行编译,可以极大地加速编译的速度）make test -j16make runtest -j16

等待编译完成，完成后终端输入：

make pycaffe -j16（编译Python用到的caffe文件）

等待编译完成

到此caffe-master成功。

八 测试caffe (Le-Net 5)

%获取数据

cd data/mnist

sudo sh ./get_mnist.sh

%这样是需要下载的，也可以把mnist的数据，下载好然后放在目录下

%重建数据文件，将mnist重建为能被caffe使用的数据格式

cd ~/caffe-master

%注意要先回到根目录再进行下面的操作

sudo sh ./examples/mnist/create_mnist.sh

%训练Le-net 5

%注意如果是使用CPU模式的话，需要修改目录下的lenet_solver.prototxt文件，将

%solver_mode:GPU改为solver_mode:CPU

%在ubuntu 14.04直接双击更改即可，或者在终端用gedit或者vim改

%另外可以把迭代次数改小一点，比如5000

sudo sh ./examples/mnist/train_lenet.sh

最终训练完的模型会存储为一个lenet_iter_10000的文件，同时在训练时会显示训练的过程，每1000次训练会测试一次模型，accuracy为此时模型的准确率，loss为测试的代价函数。

再次感谢福跃的帮助与支持。

如果想加入我们“计算机视觉战队”，请扫二维码加入学习群。计算机视觉战队主要涉及机器学习、深度学习等领域，由来自于各校的硕博研究生组成的团队，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。

我们开创一段时间的“计算机视觉协会”知识星球，也得到很多同学的认可，我们定时会推送实践型内容与大家分享，在星球里的同学可以随时提问，随时提需求，我们都会及时给予回复及给出对应的答复。