深度学习这么火,对于有幸从事机器学习的我而言激动不已,无奈caffe安装较为繁琐,加之硬件条件的限制,使得自己不得不对其望而却步。不过google的一款深度学习框架tensorflow安装较为简单,在Windows下之间pip install tensorflow即可完成安装,然后在eclipse中进行基于tensorflow的开发了。本人先从简单的开始,先在windows下安装tensorflow并进行学习,用其做了几个VGG、CNN、验证码识别等几个简单例子后,对其差不多已经了解,故而这几天想转战caffe。
本人选择使用ubuntu14.04,因为其稳定,而且遇到错误在网上的解答也比较多,整个安装过程不到一天时间(安装很简单,主要是安装或者编译过程花的时间比较长),也没有遇到什么大的错误,整体而言很顺利,主要是参考了http://www.th7.cn/system/lin/201605/165973.shtml这篇博客。写的比较详细,不过其部分代码一步到位,会导致出错,本人根据安装经验重新进行整理,部分安装步骤根据该博客来的,只是对出错的地方进行了修改。希望帮助大家早日安装好。
1、安装vm虚拟机,ubuntu的安装镜像地址共享给大家http://pan.baidu.com/s/1jIBjPuY ,安装完后首先确保虚拟机可以上网!!!
2、打开终端安装必要的环境,依次执行如下命令:
sudo apt-get update #更新软件列表 sudo apt-get upgrade #更新软件 sudo apt-get install build-essential
3、去英伟达官网下载,网址如下:https://developer.nvidia.com/cuda-downloads
(不要在Windows下载后在复制到虚拟机,直接在虚拟机打开网页后收入网址进行下载)
4、下载完后,进入下载目录执行:
sudo sh cuda_7.5.18_linux.run#(cuda_7.5.18_linux.run是下载的文件名)
5、第四步的安装过程比较长,安装过程会显示最终用户许可协议(EULA),很长,可以按‘q’退出阅读,然后安装的时候不要安装显卡驱动,具体如下:
6、安装完后进行执行:
echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/lib' >> ~/.bashrc source ~/.bashrc
7、安装相关库:
sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev protobuf-compiler gfortran libjpeg62 libfreeimage-dev libatlas-base-dev git python-dev python-pip libgoogle-glog-dev libbz2-dev libxml2-dev libxslt-dev libffi-dev libssl-dev libgflags-dev liblmdb-dev python-yaml sudo easy_install pillow或者 pip3 install pillow
8、下载caffe
cd ~ #进入主目录git clone https://github.com/BVLC/caffe.git
然后在当前目录下就会看到下载的caffe,通过ls命令查看。
9、安装python支持(该过程持续时间很长,我安装的时候参考的博客把第三和第四行代码合并为一行,执行执行会出错。大家按照我的一行一行代码执行就行)
cd caffecat python/requirements.txt | xargs -L 1 sudo pip installsudo ln -s /usr/include/python2.7/ /usr/local/include/python2.7sudo ln -s /usr/local/lib/python2.7/dist-packages/numpy/core/include/numpy/ /usr/local/include/python2.7/numpy
10、修改Makefile.config
cp Makefile.config.example Makefile.config
然后用vi或者其他编辑器修改Makefile.config文件,找到 # CPU_ONLY: = 1这一行,把这一行前面的注释 。然后在找到PYTHON_INCLUDE,把原来的/usr/lib/python2.7/dist-packages/numpy/core/include改为/usr/local/lib/python2.7/dist-packages/numpy/core/include即可。
GPU版本:
USE_CUDNN := 1
USE_OPENCV := 1
USE_LMDB := 1
USE_HDF5 := 1
CPU版本:
CPU_ONLY := 1
最后设置cv2:
OPENCV_VERSION := 3 (我是3.3版本,所以写3,如果是2.x版本则写2即可)
如果使用编译的cv2则如下打开注释
USE_PKG_CONFIG := 1
使用python接口:
WITH_PYTHON_LAYER := 1
11、编译caffe(编译时间相对比较长,一行一行执行就好,我在编译的时候出错,如果出错,执行make clean,然后在从头开始重新编译)
make all -j2 #2代表启用2各线程同时编译make testmake runtestmake pycaffe make distribute
如果编译过程报错:AR -o .build_release/lib/libcaffe.aLD -o .build_release/lib/libcaffe.so.1.0.0/usr/bin/ld:
cannot find -lhdf5_hl/usr/bin/ld: cannot find -lhdf5collect2: error: ld returned 1 exit statusMakefile:572:
recipe for target '.build_release/lib/libcaffe.so.1.0.0' failedmake: *** [.build_release/lib/libcaffe.so.1.0.0]
Error 1
则:然后修改Makefile 文件(注意不是Makefile.config) 将里面的
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5
改为LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial
Makefile文件修改
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)替换为:NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5
改为:
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial
修改Makefile.config文件
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib
修改为:
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial
如果遇到错误,在makefile中将.build_release/tools/extract_features.bin or build_release/tools/convert_imageset.bin error
LIBRARIES += boost_thread stdc++
修改:
LIBRARIES += boost_thread stdc++ boost_regex
or
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5
在最后hdl5后面添加opencv_core opencv_highgui opencv_imgproc opencv_imgcodecs boost_regex即可
在make pycaffe的时候可能报错如下:
CXX/LD -o python/caffe/_caffe.so python/caffe/_caffe.cpp
python/caffe/_caffe.cpp:10:31: fatal error: numpy/arrayobject.h: No such file or directory
compilation terminated.
Makefile:504: recipe for target 'python/caffe/_caffe.so' failed
make: *** [python/caffe/_caffe.so] Error 1
解决办法:
执行如下命令sudo apt-get install python-numpy,然后再试,如果还是不行就进入python命令行,输入如下:
python
import numpy as np
np.get_include()然后就会看到如下输出:
'/usr/local/lib/python2.7/dist-packages/numpy/core/include',然后打开Makefile.config文件,找到PYTHON_INCLUDE,将/usr/lib/python2.7/dist-packages/numpy/core/include这行代码改成和刚刚命令行输出一样,然后重新编译执行.重新编译前先make clean,然后从头make all -j8开始编译.
这时候cd 到caffe 下的 python 目录,试试caffe 的 python wrapper安装好没有:
pythonimport caffe
如果不报错,那就说明安装好了。
测试:
cd $CAFFE_ROOT./data/mnist/get_mnist.sh./examples/mnist/creat_mnist.sh./examples/mnist/train_lenet.sh
到此安装完成,现在就可以开心的玩深度学习了!!!喜欢的朋友可以点击关注哦