Caffe是一个清晰而高效的深度学习框架，其作者是博士毕业于UC Berkeley的贾扬清，它是目前最流行的深度学习框架之一。对于新手来说，caffe的安装和配置是个难题（像我这样的菜鸟，就配置了5天，重装了6次系统），所以本文主要将自己配置caffe的过程记录下来，一来能与大家交流，二来避免以后配置环境时遗忘。
一、安装Ubuntu 14.04
配置caffe之前,我对linux系统一点也不熟，完全是因为大神们推荐在linux上用caffe更好，就安装了win7+ubuntu 14.04的双系统。具体的安装过程见该博客点击打开链接，步骤基本不用改变。
二、CUDA7的安装与配置
caffe之所以难配置，主要就是因为cuda驱动和Toolkit安装时一些细节注意不到时，会发生各种难以解决的问题，比如安装cuda后进不了Ubuntu桌面（这个问题困扰了我两天的时间）。下面详细介绍一下安装过程，安装完系统后就开始配置CUDA，记着不要去更新系统。
1、首先确定你有一个支持cuda编程的GPU。
执行下面的操作，验证硬件支持GPU CUDA，只要型号存在于https://developer.nvidia.com/cuda-gpus，就没问题了。
$ lspci | grep -i nvidia
2、确认gcc已安装。
$ gcc --version
3、下载cuda7的 .run 安装文件。
下载地址： https://developer.nvidia.com/cuda-downloads 下载RUN文件，1.1GB。
用下面的命令计算MD5，结果应该是 312aede1c3d1d3425c8caa67bbb7a55e，具体见
http://developer.download.nvidia.com/compute/cuda/7_0/Prod/md5sum-7.0.txt
$ md5sum filename（下载的文件名）
4、更新一下源。
$ sudo apt-get update
若出现一些update无法下载，应该是被墙了，可以换一下源，这里我是用的清华大学的源。
5、安装一些必要的库
$ sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev
我在安装时有一个库 libgl1-mesa-glx 没安装成功，忽略之，对后面的也没影响。
6、禁用系统自带的nouveau开源驱动。
执行下列命令：
$ sudo vi /etc/modprobe.d/blacklist-nouveau.conf
在文件写入：blacklist nouveau
options nouveau modeset=0
保存并退出：wq!
执行下列命令：
$ sudo update-initramfs -u
重启电脑使禁用生效。
7、安装CUDA
电脑重启后进入tty模式，关闭桌面服务：
$ sudo stop lightdm
切换到cuda_7.0.28_linux.run所在目录，执行如下安装命令：
$ sudo sh cuda_7.0.28_linux.run --no-opengl-libs
这里要注意的是，之前几次安装cuda时，并没有加--no-opengl-libs选项，导致安装完cuda后就进不了桌面了，这个问题当时困扰了我好久。可以读一下nvidia官方的安装教程 CUDA_Getting_Started_Linux.pdf，里面的4.5 Advanced options 有讲到这些和其他的安装选项！！
安装过程中会有一些问题，问yes 或no的直接yes ,其它的按Enter。
安装完后，输入以下命令开启桌面服务：
$ sudo start lightdm
8、配置环境变量
进入桌面后，打开终端，输入以下的命令：
$ export PATH=/usr/local/cuda-7.0/bin:$PATH
$ export LD_LIBRARY_PATH=/usr/local/cuda-7.0/lib64:$LD_LIBRARY_PATH
9、检验安装是否成功。
执行以下的命令可以查看驱动的版本：
$ cat /proc/driver/nvidia/version
执行以下的命令可以查看CUDA Toolkit的版本：
$ nvcc -V
接下来测试一下samples。一般安装完cuda7后，主文件夹下会有一个NVIDIA_CUDA-7.0_Samples的文件夹（似乎就是这个名字，具体有点记不清啦），cd进入该文件夹下输入make命令，等待一段时间，编译完成后，cd进入NVIDIA_CUDA-7.0_Samples/
bin/x86_64/linux/release（这个路径有点记不太清了，似乎是这个），总之得找到deviceQuery文件，并且运行它，$ sudo ./device
Query，输出应与下图相似：
然后运行bandwidthTest来确认CUDA设备能与系统正确通信。输出结果应和下图相似：
这些测试都通过的话，就能确认CUDA 环境配置成功了。配置caffe最难过的一关已经通过了。
三、Python安装
caffe支持Python和Matlab接口，这里我也配置了Python环境，Matlab环境配置请看这篇博客点击打开链接。
选一个适合你的IDE环境，我装的是Spyder,它内置了iPython环境，caffe中有不少程序是基于iPython环境完成的。安装方法很简单，直接在ubuntu软件中心搜索“Spyder"即可安装。有关配置和编译pycaffe的内容请见下一部分。
四、caffe的安装和测试
caffe的安装可参照官网：http://caffe.berkeleyvision.org/installation.html
1、安装BLAS
这里可以选择ATLAS、MKL或者OpenBLAS，我安装的是ATLAS，输入以下命令安装：
$ sudo apt-get install libatlas-base-dev
2、安装其它依赖库
这些依赖库包括boost、opencv、leveldb、protobuf等，依次运行命令：$ sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy
-dev libopencv-dev libboost-all-dev libhdf5-serial-dev $ sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler
3、安装pycaffe的必须的一些依赖项
$ sudo apt-get install -y 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
$ sudo apt-get install -y protobuf-c-compiler protobuf-compiler
4、安装配置cuDNN加速
先到官网下载最新的cuDNN。目前是cudnn-6.5-linux-x64-v2.tgz，可解压到主文件夹，然后依次执行以下的命令：
然后链接cuDNN 的库文件
$ sudo ln -sf /usr/local/lib/libcudnn.so.6.5.48 /usr/local/lib/libcudnn.so.6.5
5、caffe的配置和编译
从github上下载最新的caffe-master包，网址为https://github.com/BVLC/caffe。可将下载的zip包解压，然后将caffe-master放在主文件夹下，进入caffe-master，生成Makefile.config配置文件，执行：
$ cp Makefile.config.example Makefile.config
接着打开Makefile.config做一些修改：
a、启用cuDNN，去掉注释”#“。
USE_CUDNN := 1
b、启用GPU，加上注释”#“。
# CPU_ONLY := 1
c、配置路径，实现caffe对python接口的支持。
PYTHON_LIB := /usr/local/lib
6、编译caffe-master !! "-j8"是使用CPU的多核进行编译，可以极大地加快编译的速度。
$ make all -j8
若在环境变量或共享库的配置上没做好，在编译runtest的时候会报错，大概是说cudart找不到文件，可以执行命令：
$ sudo ldconfig /usr/local/cuda-7.0/lib64
解决了上面的问题后再次运行 $ make runtest -j8 ，又出现了一个错误，其中错误说明中有这么一句：
Check failed: status == CUDNN_STATUS_SUCCESS (6 vs. 0) CUDNN_STATUS_ARC ，几方查找找到原因：GPU加速性能不够，cuDNN只支持CUDA capability 3.0 以上的GPU加速。而我的 笔记本的显卡为geforce 610m，GPU 的CUDA capability 为2.1，因此不能使用cuDNN加速。 只能在Makefile.config中注释掉USE_CUDNN这行，重新执行以下
$ make clean
最后除了make runtest中2 disabled tests之外，没有其它问题，make runtest中出现几个测试例子不过不影响使用。
接着编译Python用到的caffe文件：
$ make pycaffe -j8
五、使用MNIST数据集进行测试
进入到caffe-master文件夹下，然后进行下面的操作：1、数据预处理
$ sh data/mnist/get_mnist.sh
2、重建lmdb文件
$ sh examples/mnist/create_mnist.sh
3、训练mnist
$ sh examples/mnist/train_lenet.sh
跑了10000回合后就停止了，在我的笔记本上(n卡为Geforce 610m，显存2G，没有使用cuDNN)跑了将近12分钟，准确率好像是99.01%。
至此，caffe的配置算是结束了，由于对linux系统的陌生，前后共花了5天时间，遇到不能解决的问题就重装系统，总共重装了6次。但是最后看到Mnist测试顺利结束时，内心还是很欣慰的。caffe安装配置完了，接下来就该学习如何使用它了。
-----参考
1、http://developer.download.nvidia.com/compute/cuda/7_0/Prod/doc/CUDA_Getting_Started_Linux.pdf
2、http://ouxinyu.github.io/Blogs/20140723001.html
3、http://it.010lm.com/os/LINUX/161106.html
4、http://blog.csdn.net/grief_of_the_nazgul/article/details/46361699
135
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
