centos 6.5安装caffe(cpu模式)

最新推荐文章于 2021-12-24 18:56:47 发布

_iAm333

最新推荐文章于 2021-12-24 18:56:47 发布

阅读量3.9k

点赞数

分类专栏：机器学习文章标签：机器学习-caffe

本文链接：https://blog.csdn.net/iAm333/article/details/52795596

版权

机器学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

caffe安装的命令比较简单，但是安装过程坑比较多。

1.首先先鉴定机器是什么显卡：

$ lspci |grep VGA
0b:00.0 VGA compatible controller: Matrox Electronics Systems Ltd. G200eR2

机器悲剧的没有NVIDIA 的显卡。

2.安装依赖库

$sudo yum install atlas-devel protobuf-devel leveldb-devel snappy-devel opencv-devel boost-devel hdf5-devel gflags-devel glog-devel lmdb-devel

这些都是必须的，至于作用不一一解释，有兴趣的可以一一查找，其中lmdb是caffe中使用的数据库，是键/值对嵌入式数据库管理系统编程库的一种。
上述基本都能直接找到，若找不到，请直接下载安装包编译安装。

3.安装cuda

wget http://developer.download.nvidia.com/compute/cuda/repos/rhel6/x86_64/cuda-repo-rhel6-6.5-14.x86_64.rpm
rpm -ivh cuda-repo-rhel6-6.5-14.x86_64.rpm
yum install cuda-6-5

4.安装boost

如果上面通过yum安装了boost-devel，需要按照如下步骤确认版本是否正确。

用rpm -qa boost 查看CentOS是否已有boost, 如果有会显示版本,我的自带版本是1.44.1, 版本太低,
如果自带低版本boost, 卸载它, yum remove boost 或者 rpm -e boost (很奇怪,有时第一条命令可以,有时第二条命令可以), 再用rpm -qa boost不会输出任何信息,说明卸载成功.

通过源码安装boost

wget -O boost_1_55_0.tar.bz2 http://downloads.sourceforge.net/project/boost/boost/1.55.0/boost_1_55_0.tar.bz2?r=http%3A%2F%2Fsourceforge.net%2Fprojects%2Fboost%2Ffiles%2Fboost%2F1.55.0%2F&ts=1385953406&use_mirror=softlayer-ams  
tar jxvf  boost_1_55_0.tar.bz2  
cd boost_1.55.0  
./bootstrap.sh   
./b2 
./b2 install

4.安装opencv

如果上面通过yum安装opencv-devel失败，可以使用如下方式安装。

Caffe作者默认你已经配置好了OpenCV环境，文档里没有说这一步。好在有人已经写好了配置OpenCV的脚本，https://github.com/jayrambhia/Install-OpenCV，直接拿来用。

git clone https://github.com/jayrambhia/Install-OpenCV
cd Install-OpenCV/RedHat
sudo ./opencv_latest.sh

如果脚本运行失败，则详细阅读RetHat/opencv_install.sh的代码，然后手工敲入命令进行安装。

mkdir OpenCV
cd OpenCV
wget -O opencv-2.4.7.tar.gz http://sourceforge.net/projects/opencvlibrary/files/opencv-unix/2.4.7/opencv-2.4.7.tar.gz/download
tar -zxf opencv-2.4.7.tar.gz
cd opencv-2.4.7
sed  -i '/string(MD5/d' cmake/cl2cpp.cmake
mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..
make -j 4
sudo make install
sudo sh -c 'echo "/usr/local/lib" > /etc/ld.so.conf.d/opencv.conf'
sudo ldconfig

5.安装pip

curl -O https://bootstrap.pypa.io/get-pip.py # 得到一个get-pip.py
python get-pip.py

6.安装protobuf：

如果上面通过yum安装protobuf-devel失败，可以使用如下方式安装。

tar -xvf protobuf-2.5.0.tar.gz
cd protobuf-2.5.0
./configure
make
make check
make install
export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

继续安装protobuf的python模块(如果不用python，可跳过这一步)

cd ./python 
python setup.py build 
python setup.py test 
python setup.py install

7.编译安装caffe其他依赖包

如果上面通过yum安装gflags-devel glog-devel lmdb-devel失败，可以使用如下方式安装。

7.1 glog

到https://github.com/google/glog/releases下载glog-0.3.3的源码。然后用下面的步骤安装：

tar zxvf glog-0.3.3.tar.gz
cd glog-0.3.3
./configure
make && make install

7.2 gflags

wget https://github.com/schuhschuh/gflags/archive/master.zip
unzip gflags-master.zip
cd gflags-master
mkdir build && cd build
export CXXFLAGS="-fPIC" && cmake .. && make VERBOSE=1
make && make install

7.3 lmdb

git clone git://gitorious.org/mdb/mdb.git
tar –xf lmdb.tar
cd mdb/libraries/liblmdb
make && make install #若提示man1错误，手动建立一个
mkdir -p /usr/local/man/man1

8.安装caffe数学库(ATLAS, MKL, OpenBLAS)

这也是caffe的坑之一（关系到后面的配置文件），linux一般来说自带了atlas，你可以选择不安装，或者说可以安装英特尔提供的数学库MKL（链接），这是收费产品，为什么要安装呢，据说可以加速。
这边我没有选择atlas，因为配置没配置好，编译总报错。网上没找到原因，直接选择了OpenBLAS。可以使用如下命令安装：

8.1 安装依赖

wget http://sourceforge.net/projects/slurm-roll/files/addons/6.1.1/rpms/pb-binutils224-2.24-1.x86_64.rpm
sudo yum localinstall pb-binutils224-2.24-1.x86_64.rpm

8.2 安装openblas

git clone https://github.com/xianyi/OpenBLAS.git
cd OpenBLAS
make
sudo make install

9.安装caffe

9.1 下载源码

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

9.2 解决python依赖

pip install 'six>=1.3'
easy_install -U distribute
pip install PIL --allow-external PIL --allow-unverified PIL

cd caffe/python
for i in $(cat requirements.txt); do pip install $i; done

9.3 修改配置文件

cp Makefile.config.example Makefile.config
vim Makefile.config

主要修改如下几项：

CPU_ONLY := 1
CUDA_DIR := /usr/local/cuda
BLAS := open
PYTHON_INCLUDE := /usr/local/include/python2.7/ \
        /usr/local/lib/python2.7/site-packages/numpy/core/include/

注意：python include要设置成你自己的python include路径。要不然会提示一堆boost_python错误。

9.4 编译

make all

如果出现问题：

fatal error: caffe/proto/caffe.pb.h: No such file or directory #include "caffe/proto/caffe.pb.h"

使用如下方式解决：

# 先进入你caffe源码的根目录，然后执行：
protoc src/caffe/proto/caffe.proto --cpp_out=.
mkdir include/caffe/proto
mv src/caffe/proto/caffe.pb.h include/caffe/proto

10.运行mnist例子

切换到源码根目录：

cd caffe

下载数据：

/data/mnist/get_mnist.sh
examples/mnist/create_mnist.sh

切换到cpu模式：
修改lenet_solver.prototxt文件最后一行，将GPU改为CPU

vim examples/mnist/lenet_solver.prototxt

开始训练：

examples/mnist/train_lenet.sh

正常的话，会有类似如下输出：

I1011 20:15:45.343098 46351 caffe.cpp:210] Use CPU.
I1011 20:15:45.343608 46351 solver.cpp:48] Initializing solver from parameters:
....
I1011 20:33:19.357574 46351 sgd_solver.cpp:106] Iteration 9900, lr = 0.00596843
I1011 20:33:28.817215 46351 solver.cpp:454] Snapshotting to binary proto file examples/mnist/lenet_iter_10000.caffemodel
I1011 20:33:28.833461 46351 sgd_solver.cpp:273] Snapshotting solver state to binary proto file examples/mnist/lenet_iter_10000.solverstate
I1011 20:33:28.879218 46351 solver.cpp:317] Iteration 10000, loss = 0.00138363
I1011 20:33:28.879259 46351 solver.cpp:337] Iteration 10000, Testing net (#0)
I1011 20:33:34.642091 46351 solver.cpp:404]     Test net output #0: accuracy = 0.9913
I1011 20:33:34.642338 46351 solver.cpp:404]     Test net output #1: loss = 0.0289887 (* 1 = 0.0289887 loss)
I1011 20:33:34.642355 46351 solver.cpp:322] Optimization Done.


I1011 20:33:34.642367 46351 caffe.cpp:254] Optimization Done.