Caffe安装，Caffe-face安装, 双操作系统

1. Caffe在Ubuntu 14.04 64bit 下的安装（无GPU）

安装win7和ubuntu双操作系统win7下通过easyBCD引导安装Ubuntu14.04
安装Win10和ubuntu双操作系统，Win10和Ubuntu双系统安装教程(如何在Win10下EasyBcd引导安装Ubuntu)

最简单的方法就是用老毛桃工具将ubuntu的iso文件制作成ISO模式的U盘安装盘！！！！！！

比较好的安装博客（Ubuntu14.04 安装Caffe（仅CPU））
（http://blog.csdn.net/u011762313/article/details/47262549）
(http://www.linuxidc.com/Linux/2015-07/120449.htm)
1. sudo apt-get install build-essential
2. 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 libopenblas-dev
3. 修改makefile.cofig
CPU_ONLY := 1
BLAS := open
4. make all, make test, make runtest,顺利成功！！！
5. 修改lenet_train_test.prototxt中
source: “examples/mnist/mnist-train-leveldb”
backend: LEVELDB
source: “examples/mnist/mnist-test-leveldb”
backend: LEVELDB
6. 修改 lenet_soler.prototxt中的的 solver_mode: CPU
7. 在caffe根目录下运行 ./build/tools/caffe –solver=examples/mnist/lenet_solver.prototxt
8. 配置pycaffe
1）. 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
2）. sudo apt-get install protobuf-c-compiler protobuf-compiler
3）. 在caffe根目录下make pycaffe
4）. 在/etc/profile 末尾添加（可用sudo gedit /etc/profile来编辑）
export PYTHONPATH=/home/jqh/jiangqiuhua/caffe-master/python:$PYTHONPATH
5）.source /etc/profile
6）.在linux命令行下运行python命令，在python提示符下运行import caffe命令 就可测试是否成功。
7）ipython notebook的安装，sudo apt-get ipython-notebook，安装完毕后运行ipython notebook即可。

2. Caffe-face安装和测试

（http://blog.csdn.net/qq_14845119/article/details/53308996）
(https://github.com/ydwen/caffe-face)
(https://sanwen8.cn/p/446HEbm.html)
编译过程和caffe相同，现测试mnist_example，同样修改相应的训练测试和solver配置文件。
./build/tools/caffe train -solver mnist_example/mnist_solver.prototxt
好象运行比caffe慢了很多。

3. CASIA WebFace 和LFW Database，以及Caffe各层模型参数的理解

1. 官方网址，有与相关人脸数据的对比。http://www.cbsr.ia.ac.cn/english/CASIA-WebFace-Database.html subjects 10575，images 449414，而 LFW subjects 5749，images 13233.
2. Caffe-face的训练数据集 CAISA-WebFace,VGG-Face, MS-Celeb-1M, MegaFace.
3. 常用人脸识别数据库 http://blog.csdn.net/lishuiwang/article/details/47148887
4. caffe学习系列博客 http://blog.csdn.net/qq_26898461/article/category/5959439/3
5. caffe 自定义参数，自定义层 python写的： http://blog.csdn.net/langb2014/article/details/53081911
6. LeNet caffe模型示例 http://www.cnblogs.com/empty16/p/4878164.html
7. csdn Sunshine_in_Moon caffe学习笔记（各阶段经历） http://blog.csdn.net/Sunshine_in_Moon/article/category/5833371/3
8. crop_size和mirror 利用crop_size这种方式可以剪裁中心关注点和边角特征,mirror可以产生镜像,弥补小数据集的不足. http://blog.csdn.net/u010417185/article/details/52651761
9. 卷积层和池化层 http://www.cnblogs.com/qw12/p/6120012.html

4. AR人脸数据库在caffe-face上测试

1. 测试Caffe的AR例子，用imagedata，提取文件名：http://blog.csdn.net/ljianhui/article/details/43128465
   ${basename $file .pgm}
2. filename=sdfsdf，赋值变量时=号不能有空格，出现bad subsititution错，应该用bash执行。
3. Bash常见陷阱 http://blog.charlee.li/bash-pitfalls/
4. Bash空格陷阱 http://www.igigo.net/post/archives/152
5. 去掉数字字符串前面的0，echo $str | sed ‘s/^0+//’ 其中^表示从头开始，0+表示0个以上，//表示替换为NULL即删除。可以将sed结果赋值给其它变量。
6. 用AR数据在lenet模型中训练，程序正确运行，但是发现loss=-nan。
7. 用cafe-face模型试试
8. ubuntu文件管理gui复制文件权限不够的解决，在命令行里,输入sudo nautilus

5. 带GPU的安装：Nivda驱动安装、Cuda的安装、cudnn安装

1. 【Caffe安装】caffe安装系列——史上最详细的安装步骤
2. Nvida M4000显卡驱动下载
3. Linux手动安装nvida驱动，
4. Ubuntu安装Nvdia显卡
5. Ubuntu安装和NVIDIA驱动和安装(.run方法–有时.deb方法安装时NVIDIA显卡驱动装不上)
6. Ubuntu 14.04 安装 Nvidia 私有驱动并进行双显卡切换，用该博文的方法最简单，不需要关闭X服务，安装命令为：sudo apt-get install nvidia-367 nvidia-settings nvidia-prime，具体的版本号可以sudo apt-get install nvidia-后用tab键搜索可用的版本号。安装重启后，可用Alt+F2运行nvidia-settings命令查看驱动信息。
7. Cuda 8.0下载安装， Ubuntu 14.04 上安装 CUDA 7.5/8.0 超详细教程 ，解决cannot find -lnvcuvid问题的真正办法，cuda8.0中用的是nvidia-367, 我用的驱动是375，虽然用apt安装是367，实际不知道为什么安装了375。其实在错误信息中就有版本信息，可能自己没仔细看。再个，直接搜索lnvcuvid就能看到相关解决问题的博文，加多了反倒搜不到这些信息了。
8. 简单重复一下我安装cuda8.0的过程：
   
   1. 假设安装好了nvidia-375驱动（按照上面第6点所说的步骤）。
   2. 从nvidia官网下载cuda8.0的本地安装（local）deb，按照其说明安装。
   3. 在/etc/profile文件中修改PATH和LD_LIBRARY_PATH
   4. 在/usr/local/cuda-8.0/samples 路径下sudo make，按照上面“解决cannot find -lnvcuvid问题的真正办法”所说的方法修改findgllib.mk文件中内容和建立相应的软链接，从而解决can not find -lnvcuvid问题。
   5. 在samples/bin/x86_64/Linux/release路径下运行./deviceQuery, ./bandwidthTest，可以检查安装和编译是否成功。
9. Nvida cudnn下载安装 163邮箱ND-jiang317301，安装cuda和cudnn比较详细的博客，Nidia最近的cudnn v6.0的samples不能下载，因此我还是选择V5.0版本。另外，安装cuda8.0的时候，会自动生存cuda的软链接，因此下面用cuda和cuda-8.0结果是相同的。下面安装过程主要参考了caffe安装系列——安装cuda和cudnn 博客的内容。注意libcudnn.so.5.0.5是lib中cudnn库文件。
   
   1. tar -zxvf cudnn-8.0-linux-x64-v5.0-ga.tgz
   2. tar -zxvf cudnn-sample-v5.tgz
   3. jqh@jqhgpu:~/jiangqiuhua/cuda/lib64$ sudo cp lib* /usr/local/cuda-8.0/lib64/
   4. jqh@jqhgpu:~/jiangqiuhua/cuda/include$ sudo cp * /usr/local/cuda-8.0/include/
   5. jqh@jqhgpu:~/jiangqiuhua/cuda/lib64$ sudo rm -rf libcudnn.so libcudnn.so.5
   6. jqh@jqhgpu:~/jiangqiuhua/cuda/lib64$ sudo ln -s libcudnn.so.5.0.5 libcudnn.so.5
   7. jqh@jqhgpu:~/jiangqiuhua/cuda/lib64$ sudo ln -s libcudnn.so.5 libcudnn.so
   8. jqh@jqhgpu:~/jiangqiuhua/mnistCUDNN$ make -j
   9. jqh@jqhgpu:~/jiangqiuhua/mnistCUDNN$ ./mnistCUDNN //测试成功。
10. 继续安装Caffe：
    
    1. jqh@jqhgpu:~/jiangqiuhua/caffe-master$ sudo apt-get install build-essential
    2. jqh@jqhgpu:~/jiangqiuhua/caffe-master$ 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 libopenblas-dev
    3. 修改Makefile.config中如下内容：
       
       1. USE_CUDNN := 1
       2. # CPU_ONLY := 1
       3. BLAS := open
    4. jqh@jqhgpu:~/jiangqiuhua/caffe-master$ make clean
    5. jqh@jqhgpu:~/jiangqiuhua/caffe-master$ make all
    6. jqh@jqhgpu:~/jiangqiuhua/caffe-master$ make test
    7. jqh@jqhgpu:~/jiangqiuhua/caffe-master$ make runtest
11. 继续安装pycaffe
    
    1. 参考第一部分（无GPU）安装中配置pycaffe中内容即可。在python命令行下import caffe，检查是否成功（第一部分第8点）。
    2. ipython notebook的安装，直接sudo apt-get install ipython-notebook，即可成功，在保存相应ipynb文件的目录命令行下运行ipython notebook，即可显示ipython notebook的网页界面。
12. 总结一下（GPU的caffe全安装过程）
    
    1. 安装Nvida驱动，sudo apt-get install nvidia-367 nvidia-settings nvidia-prime，可运行nvida-settings来看安装的结果。
    2. 安装cuda 8.0，网上下载deb包安装网页安装说明进行本地安装。进行相应的修改，编译后，运行./deviceQuery和./bandwidthTest
    3. 安装cudnn，下载解压，拷贝库文件，make -j，运行./mnistCUDNN
    4. 安装Caffe，注意编译时屏蔽修改相应条件（cpu，cudnn）。编译链接，最后make runtest。测试。
    5. 安装pycaffe接口，ipython notebook，编写testmnist_GPU测试对比与cpu的差别：
       CPU times: user 30min 34s, sys: 30min 35s, total: 1h 1min 10s
       Wall time: 7min 43s
       CPU times: user 44.2 s, sys: 7.39 s, total: 51.6 s
       Wall time: 42.7 s
       关于CPU时间的解释见博文：http://blog.csdn.net/filyouzicha/article/details/52447887