Caffe + linux mint17.3 + CUDA 7.5 新手安装配置指南

PS：为了方便大家使用，我提供一个百度云盘，用于分享部分安装过程中需要用到的软件包和链接地址（所有软件包仅供学术交流使用，请大家尽量去官网下载。）。链接: http://pan.baidu.com/s/1c2lZAes 密码: tmch

简单介绍一下：Caffe，一种Convolutional Neural Network的工具包，和Alex的cuda-convnet功能类似，但各有特点。都是使用C++ CUDA进行底层编辑，Python进行实现，原作主要部署于Ubuntu，也有大神发布了Windows版，但其他相关资料较少，不适合新手使用，所以还是Ubuntu的比较适合新手。（相对而言）

本文主要包含5个部分，包括：

    - 第一部分 Linux安装

    - 第二部分 nVidia CUDA Toolkit的安装（*.deb方法）

    - 第三部分 Matlab安装和调试

    - 第四部分 Caffe-Master的安装和测试

    - 第五部分 增加新层（以Fast RCNN提出的 ROIPooling layer 为例）

第一部分 Linux安装

Linux的安装，建议安装linux mint

下载链接http://verify.iso.mirrors.ustc.edu.cn/linuxmint-cd/stable/17.3/linuxmint-17.3-cinnamon-64bit.iso

根分区： \ 100G，

Swap交换分区：28G

boot分区：200M

Home分区：剩余的空间，鉴于Imagenet，PASCAL VOC之类的大客户，建议500G，至少300G以上。

第二部分：Nvidia CUDA Toolkit的安装（*.deb方法）

PS：特别推荐*.deb的方法，目前已提供离线版的deb文件，该方法比较简单，不需要切换到tty模式，因此不再提供原来的*.run安装方法，这里以CUDA 7.5为例。

一、CUDA Repository(更详细的细节参照tensorflow开发环境的搭建)

获取CUDA安装包，链接: http://pan.baidu.com/s/1slMMQjN 密码: fxji

$ sudo dpkg -i cuda-repo-ubuntu1404_7.5-18_amd64.deb

$ sudo apt-get update

$ sudo apt-get install cuda

第三部分 Matlab安装和调试（以Matlab 2014a为例）

1 下载Matlab2014的Linux版本及破解文件

2 下载完成后将iso文件挂载到Linux

sudo mkdir /media/matlab

sudo mount -o loop [path][filename].iso /media/matlab

cd /media/matlab

sudo ./install

进行安装

3 选项：不使用Internet安装

序列号： 12345-67890-12345-67890

默认路径：/usr/local/MATLAB/R2014a

勾选从默认启动路径创建符号链接（实现在任意位置运行matlab启动程序）

4 破解

安装完成后使用crack下的license进行激活

将crack文件夹下的libmwservices.so copy到  /usr/local/MATLAB/R2014A/bin/glnxa64

$ sudo cp libmwservices.so /usr/local/MATLAB/R2014a/bin/glnxa64/

（libmwservices.so需要自己准备）

同时，特别注意：还需要按照网上的步骤使用crack文件夹激活matlab。

运行MATLAB命令行：sudo ./matlab

5.解决编译器gcc/g++版本问题。

因为Mint 17的gcc/g++版本是4.8.4，//查看你的内核GCC版本：$ cat /proc/version //而Matlab 2014a（2015a）的版本是4.7.x所以在使用matlab调用mex文件的时候，基本上都会报错，根据报错信息，考虑如下两步解决方案。

A. 降级安装gcc/g++版本为4.7.x

(a). 下载gcc/g++ 4.7.x

$ sudo apt-get install -y gcc-4.7

$ sudo apt-get install -y g++-4.7

(b). 链接gcc/g++实现降级

$ cd /usr/bin

$ sudo rm gcc

$ sudo ln -s gcc-4.7 gcc

$ sudo rm g++

$ sudo ln -s g++-4.7 g++

B. 暴力引用新版本GLIBCXX_3.4.20

$ sudo cp /usr/lib/x86_64-linux-gnu/libstdc++.so.6.0.19 /usr/local/MATLAB/R2014a/sys/os/glnxa64/libstdc++.so.6.0.19 （libstdc++.so.6.0.19的版本，可能因为系统不同而不同，使用最新的就可以了。）

目录切换到 /usr/local/MATLAB/R2014a/sys/os/glnxa64/ ，非常重要！

$ sudo mv libstdc++.so.6 libstdc++.so.6.backup （仅仅是备份，可以不备份，直接删除）。

$ sudo ln -s libstdc++.so.6.0.19 libstdc++.so.6

$ sudo ldconfig -v

通过命令“strings /usr/local/MATLAB/R2014a/sys/os/glnxa64/libstdc++.so.6 | grep GLIBCXX_” 可以看一下，是否已经成功包含了GLIBCXX_3.4.21，如果已经存在，基本上就成功了。

6.编译Matlab用到的caffe文件（见第五部分）

第五部分 Caffe-Master的安装和测试

对于Caffe的安装严格遵照官网的要求来：http://caffe.berkeleyvision.org/installation.html

一、安装BLAS

这里可以选择（ATLAS，MKL或者OpenBLAS），我这里使用MKL，首先下载并安装英特尔® 数学内核库 Linux* 版MKL(Intel(R) Parallel Studio XE Cluster Edition for Linux 2016)，下载链接是：https://software.intel.com/en-us/intel-education-offerings， 使用学生身份（邮件 + 学校）下载Student版，填好各种信息，可以直接下载，同时会给你一个邮件告知序列号。下载完之后，要把文件解压到home文件夹(或直接把tar.gz文件拷贝到home文件夹,为了节省空间，安装完记得把压缩文件给删除喔～)，或者其他的ext4的文件系统中。

很多人说，下载不了，本人于2016年4月8日使用该地址下载最新的2016版本，仍然没有问题，请大家细心操作^_^。

接下来是安装过程，先授权，然后安装：

解压 parallel_studio_xe_2016_update2.tgz，并且打开解压后的文件夹 （如果你是直接拷贝压缩文件过来的）

#必须先将压缩包复制到你的路径下，然后解压缩安装，否则无法启动安装程序

鼠标右键点击install_GUI.sh，属性，权限，在允许以程序执行文件前的方框内打勾

$ sudo ./install_GUI.sh

PS：本教程是 安装在默认位置（opt/intel）基础下进行的

二、MKL与CUDA的环境设置

1. 新建intel_mkl.conf， 并编辑之：

$ sudo gedit /etc/ld.so.conf.d/intel_mkl.conf

/opt/intel/lib/intel64

/opt/intel/mkl/lib/intel64

2. 新建cuda.conf，并编辑之：

$ sudo gedit /etc/ld.so.conf.d/cuda.conf

/usr/local/cuda/lib64

/lib

3. 完成lib文件的链接操作，执行：

$ sudo ldconfig -v

三、安装OpenCV 3.0.0

1. 下载并编译OpenCV（官网原版OpenCV：http://opencv.org/）， 或者使用我提供的修改版的安装包(前面的百度云下载)（下面的安装方式使用该包完成，安装包修改了dependencies.sh文件并增加了OpenCV 3.0.0的安装文件）

2. 切换到文件保存的文件夹，然后安装依赖项：

$ sudo sh Ubuntu/dependencies.sh

3. 切换目录Ubuntu\3.0\安装OpenCV 3.0.0：

$ sudo sh opencv3_0_0.sh

保证网络畅通，因为软件需要联网这里时间较长，请耐心等待。。。，

```

补充一个opencv2.4.10的安装方法：

下载install_OpenCV:

$gitclonehttps://github.com/jayrambhia/Install-OpenCV.git

下载opencv的依赖：

$sudoapt-get-qqremoveffmpegx264libx264-dev

$sudo apt-get install -y libopencv-dev build-essential checkinstall cmake pkg-config yasm libtiff5-dev libjpeg-dev libjasper-dev libavcodec-dev libavformat-dev libswscale-dev libdc1394-22-dev libxine2-dev libgstreamer0.10-dev libgstreamer-plugins-base0.10-dev libv4l-dev python-dev python-numpy libtbb-dev libqt4-dev libgtk2.0-dev libfaac-dev libmp3lame-dev libopencore-amrnb-dev libopencore-amrwb-dev libtheora-dev libvorbis-dev libxvidcore-dev x264 v4l-utils unzip

编译安装opencv2.4.10:

$ cd Install-OpenCV/Ubuntu/2.4

$ sudo sh opencv2_4_10.sh

测试可用

```

四、安装其他依赖项tex

1. Google Logging Library（glog），下载地址：页头，然后解压安装：

$ tar zxvf glog-0.3.3.tar.gz

$ ./configure

$ make

$ sudo make install

如果没有权限就chmod a+x glog-0.3.3 -R , 或者索性 chmod 777 glog-0.3.3 -R , 装完之后，这个文件夹就可以kill了。

2. 其他依赖项，确保都成功

$ 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 protobuf-c-compiler protobuf-compiler

不成功的话分开安装，例如

sudo apt-get install libprotobuf-dev

sudo apt-get install libleveldb-dev

……

sudo apt-get install protobuf-compiler

```

caffe dependencies:

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 libhdf5-serial-dev protobuf-c-compiler 

测试可用

```

五、安装Caffe并测试

1. 安装pycaffe必须的一些依赖项：

$ sudo apt-get install 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

不成功的话分开安装

```

pycaffedependencies:

sudo apt-get install -y python-dev 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

测试可用

```

2. 安装配置nVidia cuDNN 加速Caffe模型运算

a. 在之前给的百度云文件夹中找到 (cudnn-7.0-linux-x64-v4.0-prod)。

$ sudo cp include/cudnn.h /usr/local/include

$ sudo cp lib64/libcudnn.* /usr/local/lib

b. 链接cuDNN的库文件

$ sudo ln -sf /usr/local/lib/libcudnn.so.4.0.7 /usr/local/lib/libcudnn.so.4

$ sudo ln -sf /usr/local/lib/libcudnn.so.4 /usr/local/lib/libcudnn.so

$ sudo ldconfig -v

3. Download Caffe-master:

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

切换到Caffe-master的文件夹，生成Makefile.config配置文件，执行：

$ cp Makefile.config.example Makefile.config

4. 配置Makefile.config文件（仅列出修改部分）

a. 启用CUDNN，去掉"#"

USE_CUDNN := 1

```

查看你的GPU是否在CUDA支持名单里：

https://developer.nvidia.com/cuda-gpus

如果不在支持名单中，uncomment CPU_ONLY := 1

```

b. 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/include

LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/hdf5/serial

c. 启用Intel Parallel Studio XE 2016

BLAS := mkl

d. 配置路径，实现caffe对Python和Matlab接口的支持

PYTHON_LIB := /usr/local/lib

MATLAB_DIR := /usr/local/MATLAB/R2014a

c. 启用OpenCV 3.0, 去掉"#"

OPENCV_VERSION =3

```

if opencv2_4_10, comment

```

注意：红色字体部分是需要修改或添加的部分。

6. 编译caffe-master！！！"-j16"是使用CPU的多核进行编译，可以极大地加速编译的速度，建议使用。

$ make all -j16

$ make test -j16

$ make runtest -j16

编译Python和Matlab用到的caffe文件

$ make pycaffe -j16

$ make matcaffe -j16

```

ifusingpycaffe

$make distribute

$sudo gedit /etc/profile

add:

exportPYTHONPATH=/path-to-caffe/distribute/python:$PYTHONPATH

exportLD_LIBRARY_PATH=/path-to-caffe/distribute/lib:$LD_LIBRARY_PATH

$source /etc/profile

```

六、使用MNIST数据集进行测试

Caffe默认情况会安装在$CAFFE_ROOT，就是解压到那个目录，例如：$ home/username/caffe-master，所以下面的工作，默认已经切换到了该工作目录。下面的工作主要是，用于测试Caffe是否工作正常，不做详细评估。具体设置请参考官网：http://caffe.berkeleyvision.org/gathered/examples/mnist.html

1. 数据预处理

$ sh data/mnist/get_mnist.sh

2. 重建lmdb文件。Caffe支持多种数据格式输入网络，包括Image(.jpg, .png等)，leveldb，lmdb，HDF5等，根据自己需要选择不同输入吧。

$ sh examples/mnist/create_mnist.sh

生成mnist-train-lmdb 和 mnist-train-lmdb文件夹，这里包含了lmdb格式的数据集

3. 训练mnist

$ sh examples/mnist/train_lenet.sh

至此，Caffe安装的所有步骤完结，下面是一组简单的数据对比，实验来源于MNIST数据集，主要是考察一下不同系统下CPU和GPU的性能。可以看到明显的差别了，虽然MNIST数据集很简单，相信复杂得数据集，差别会更大，Ubuntu+GPU是唯一的选择了。

测试平台1：i7-4770K/16G/GTX 770/CUDA 6.5

MNIST Windows8.1 on CPU：620s

MNIST Windows8.1 on GPU：190s

MNIST Ubuntu 14.04 on CPU：270s

MNIST Ubuntu 14.04 on GPU：160s

MNIST Ubuntu 14.04 on GPU with cuDNN：30s

Cifar10_full on GPU wihtout cuDNN：73m45s = 4428s　（Iteration 70000）

Cifar10_full on GPU with cuDNN：20m7s = 1207s　（Iteration 70000）

测试平台2：技嘉P35X v3，i7-4720HQ@2.6G/16G/NVidia GTX 980 8G

MNIST Ubuntu 15.04 on GPU with cuDNN：33s

测试平台3：Dell 7910，E5 2623v3 3.0G *2 /128G/ NVidia Titan X 12G

MNIST Ubuntu 15.04 on GPU with cuDNN：23s （真是逆天啊！）

对比测试1：2*E5-2620(12CPUs)/128G/Tesla K20M/CUDA5.5/CentOS 6.4

MNIST CentOS 6.4 on GPU：294s

对比测试2：Tesla K40M/CUDA6.5/ubuntu 14.04

MNIST on GPU with cuDNN：30s

对比测试3：GTX 660/CUDA6.5/ubuntu 14.04

MNIST on GPU with cuDNN：49s

------------------------------