Ubuntu+ cuda7.5+cudnn4.0+opencv3.0+python caffe安装配置

Ubuntu16.04下面安装caffe的教程：
http://blog.csdn.net/zx10212029/article/details/51778540
下面步骤是基于Ubuntu14.04安装的过程：
安装Ubuntu14.04
　　自己分区，分了四个区（/、/home、/boot、swap）
安装依赖的库：

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

sudo apt-get install vim

安装NVIDIA显卡驱动：
　去NVIDIA官网去找自己相应版本的驱动，我的titanx
　　　1) Ctrl+alt+F1进入字符界面，关闭图形界面
　　

sudo service lightdm stop //必须有，不然会安装失败

　　2) 安装nvidia driver
注：可以根据自己的显卡型号去NVIDIA的官网去下载对应的显卡驱动。

   sudo chmod 777 NVIDIA-Linux-x86_64-367.27.run //获取权限    
   sudo ./NVIDIA-Linux-x86_64-367.27.run //安装驱动
   **Accept**
   Continue installation//安装完成之后
   sudo service lightdm start

安装cuda7.5
　　在终端运行指令
　　sudo sh cuda_7.5.18_linux.run
　　
　　装的时候，要让你先看一堆文字（EULA)，我们直接不停的按空格键到100%，然后输入一堆accept,yes,yes或回车进行安装。
设置环境变量

   sudo vi /etc/profile

在最后面加入两行代码，如果你还不会用vi进行编辑，请百度

export PATH=/usr/local/cuda-7.5/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH

输入上面export的两句，保存，退出。

sudo ldconfig //环境变量立即生效

3）验证安装是否完成

nvidia-smi

编译和测试cuda的samples
　　切换到cuda7.5samples目录下（/home/zhou/NVIDIA_CUDA-7.5_Samples），直接编译：

make –j4

需要等待一段时间。编译结束后，如果没有错误可以去测试一下cuda：
　切换目录到：

（usr/local/cuda/samples/bin/x86_64/linux/release）

　　里面有deviceQuery和nbody，执行运行这文件，如果没有错说明cuda装完。
BLAS安装与配置
　　BLAS（基础线性代数集合）是一个应用程序接口的标准。caffe官网上推荐了三种实现：ATLAS, MKL, or OpenBLAS。其中atlas可以直接通过命令行安装，在此不再介绍。我采用的是intel的mkl库，首先，通过上面链接在intel官网申请学生版的Parallel Studio XE Cluster Edition ，下载完成之后cd到下载目录进行安装：

   tar zxvf parallel_studio_xe_2016_update3.tgz   #解压下载文件
   chmod 777 parallel_studio_xe_2016_update3 -R   #获取文件权限
   cd parallel_studio_xe_2016_update3/
   sudo ./install_GUI.sh

安装完成之后，进行相关文件的链接：

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

在打开的文件中添加库文件：

/opt/intel/lib/intel64 
/opt/intel/mkl/lib/intel64

添加完成之后，编译链接时lib文件立即生效：

sudo ldconfig

opencv3.0安装
　　首先安装必要的库，有的依赖库我是已经安装过的，具体安装的先后关系已经忘了。如果出现有些依赖关系不满足的错误，可以再安装库：

   sudo apt-get install build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev    # 必要的基本库

下载OpenCV3.1.0版本，并进行解压，解压之后进入安装文件目录:

   cd opencv-3.1.0
   mkdir build          #创建build文件夹
   cd opencv-3.1.0/build
   cmake -D CMAKE_BUILD_TYPE=Release –D CMAKE_INSTALL_PREFIX=/usr/local .. #生成的文件在bulid中，而生成的CMakeList.txt文件在上一级文件中在configure过程中过程中，可能会出现下面的错误:
– ICV: Downloading ippicv_linux_20151201.tgz…

　　在直接下载该文件的过程中，会因为超时而失败，可以下载http://download.csdn.net/detail/yehuohan/9511463, 并替换掉 opencv-3.1.0/3rdparty/ippicv/downloads/linux-8b449a536a2157bcad08a2b9f266828b下的同名文件，然后再次cmake即可。生成编译文件之后，在opencv-3.1.0/build目录下，终端输入：

   make -j4       #四核运算
   sudo make install

Python安装和配置
1. Google Logging Library（glog），下载地址：https://code.google.com/p/google-glog/，然后解压安装：

   tar zxvf glog-0.3.3.tar.gz
   cd glog-0.3.3 
   ./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 -y 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

安装Caffe并测试
1. 安装pycaffe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

2. 安装配置nVidia cuDNN 加速Caffe模型运算
a. 安装前请去先官网下载最新的cuDNN (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

1. 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

1. 配置Makefile.config文件（仅列出修改部分）
   a. 启用CUDNN，去掉”#”

   USE_CUDNN := 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

e. 启用OpenCV 3.0, 去掉”#”

OPENCV_VERSION =3

f. 需要添加路径

   sudo gedit ~/.bashrc

在最后添加

export PYTHONPATH=/home/sindyz/caffe-master/python:$PYTHONPATH  
export PYTHONPATH=/usr/local/lib/python2.7/dist-packages/:$PYTHONPATH   

保存并关闭，打开新的命令窗口运行

   sudo ldconfig

６． 编译caffe-master！！！”-j4”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 –j4
   $ make test –j4
   $ make runtest –j4

编译Python和Matlab用到的caffe文件

   $ make pycaffe –j4

测试一下配置是否正确：

python
import caffe

如果没有错误，则配置成功。

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

1. 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。