ubuntu如何训练测试python_Ubuntu14.04+caffe+cuda7.5 环境搭建以及MNIST数据集的训练与测试...

Ubuntu14.04+caffe+cuda 环境搭建以及MNIST数据集的训练与测试

一、ubuntu14.04的安装：

ubuntu的安装是一件十分简单的事情，这里给出一个参考教程：

二、cuda的安装：

1、首先下载nvidia cuda的仓库安装包(我的是ubuntu 14.04　64位，所以下载的是ubuntu14.04的安装包，如果你是３２位的可以参看具体的地址，具体的地址是https://developer.nvidia.com/cuda-downloads)

wget http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1404/x86_64/cuda-repo-ubuntu1404_6.5-14_amd64.deb

下载完成之后可以使用如下命令安装它，注意文件名修改为cuda-repo-ubuntu1404_6.5-14_amd64.deb：

sudo dpkg -i cuda-repo-__.deb

2、安装好仓库之后，就可以更新你的本地仓库。

sudo apt-get update

最后开始安装cuda以及显卡驱动(安装cuda的同时就会把显卡驱动也全部安装好，这个真的很方便。但是下载的时间有点长。)

sudo apt-get install cuda

3、安装完之后你需要设置环境变量：

$ export PATH=/usr/local/cuda-6.5/bin:$PATH$ export LD_LIBRARY_PATH=/usr/local/cuda-6.5/lib64:$LD_LIBRARY_PATH

4、设置完毕之后，你还可以选择是否安装cuda附带的示例代码(

$ cuda-install-samples-6.5.sh

cd ~/NVIDIA_CUDA-6.5_Samples

然后进入bin目录，并运行devicequery

cd ~/NVIDIA_CUDA-6.5_Samples/bin./ deviceQuery

如果出现下列显卡信息， 则驱动及显卡安装成功：

./deviceQuery Starting...CUDA Device Query (Runtime API) version (CUDARTstaticlinking)

Detected1CUDA Capable device(s)

Device0: "GeForce GTX 670"CUDA Driver Version/ Runtime Version 6.5 / 6.5CUDA Capability Major/Minor version number: 3.0Total amount ofglobal memory: 4095 MBytes (4294246400bytes)

(7) Multiprocessors, (192) CUDA Cores/MP: 1344CUDA Cores

GPU Clock rate: 1098 MHz (1.10GHz)

Memory Clock rate: 3105Mhz

Memory Bus Width: 256-bit

L2 Cache Size: 524288bytes

Maximum Texture Dimension Size (x,y,z) 1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)

Maximum Layered 1D Texture Size, (num) layers 1D=(16384), 2048layers

Maximum Layered 2D Texture Size, (num) layers 2D=(16384, 16384), 2048layers

Total amount ofconstant memory: 65536bytes

Total amount of shared memory per block: 49152bytes

Totalnumber of registers available per block: 65536Warp size: 32Maximumnumber of threads per multiprocessor: 2048Maximumnumber of threads per block: 1024

Max dimension size of a thread block (x,y,z): (1024, 1024, 64)Max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535)

Maximum memory pitch: 2147483647bytes

Texture alignment: 512bytes

Concurrentcopy and kernel execution: Yes with 1 copyengine(s)

Runtime limit on kernels:Yes

Integrated GPU sharing Host Memory:No

Support host page-locked memory mapping:Yes

Alignment requirementfor Surfaces:Yes

Device has ECC support:Disabled

Device supports Unified Addressing (UVA):Yes

Device PCI Bus ID/ PCI location ID: 1 / 0Compute Mode:

< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 6.5, CUDA Runtime Version = 6.5, NumDevs = 1, Device0 = GeForce GTX 670Result= PASS

具体的安装过程可以参考英文。

三、安装OpenCV：

这个尽量不要手动安装， Github上有人已经写好了完整的安装脚本：https://github.com/jayrambhia/Install-OpenCV下载该脚本，进入Install-OpenCV-master/Ubuntu/2.4 目录, 给所有shell脚本加上可执行权限

chmod +x *.sh

然后安装最新版本 (当前为2.4.9)

sudo ./opencv2_4_9.sh

脚本会自动安装依赖项，下载安装包，编译并安装OpenCV。整个过程大概半小时左右。

四、安装其他依赖项

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

五、下载caffe，关于MKL：

1、下载caffe

下载后直接解压解压在你的工程路径内，无需安装。

2、关于MKL

MKL是intel的收费数学计算库，获取是一件十分蛋疼的事情，如果你有时间，自己百度教程安装.MKL不是必须的，OpenBLAS和atlas都可以替代之，并且这两个库的安装和使用十分简单。自己百度教程。

安装ATLAS

sudo apt-get install libatlas-base-dev

六、安装caffe所需的python相关包：

首先安装pip和python-dev (系统默认有python环境的， 不过我们需要的使python-dev)

sudo apt-get install python-dev python-pip

然后cd到caffe所在路径执行如下命令安装编译caffe python wrapper 所需要的额外包

for req in $(cat requirements.txt); do sudo pip install $req; done

七、编译caffe：

进入caffe根目录， 首先复制一份Makefile.config

cp Makefile.config.example Makefile.config

然后修改里面的内容，主要需要修改的参数包括

CPU_ONLY 是否只使用CPU模式，没有GPU没安装CUDA的同学可以打开这个选项BLAS (使用intel mkl还是OpenBLAS)DEBUG 是否使用debug模式，打开此选项则可以在eclipse或者NSight中debug程序

完成设置后， 开始编译

make all -j4

make test

make runtest

-j4注意 -j4 是指使用几个线程来同时编译， 可以加快速度， j后面的数字可以根据CPU core的个数来决定。

编译pycaffe：

make pycaffe

然后基本就全部安装完拉.

八、MNIST数据集训练以及测试：

1、训练：

在Caffe安装目录之下，首先获得MNIST数据集：

cd data/mnist

sh get_mnist.sh

生成mnist-train-lmdb/ 和 mnist-test-lmdb/，把数据转化成lmdb格式(注意这里要从caffe根目录运行，不然会报错，不懂自己读一读creat_mnist.sh)：

shexamples/mnist/create_mnist.sh

训练网络(同上，从caffe根目录运行):

sh examples/mnist/train_lenet.sh

下图(盗图)：

2、测试：

当所有数据都训练好之后，接下来就是如何将模型应用到实际数据了：

./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel -gpu=0

如果没有GPU则使用

./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel

test：表示对训练好的模型进行Testing，而不是training。其他参数包括train, time, device_query。-model=XXX：指定模型prototxt文件，这是一个文本文件，详细描述了网络结构和数据集信息。结果如下：