1.caffe搭建

ubuntu 系统下的Caffe环境搭建

原文地址：http://blog.csdn.net/hjimce/article/details/48781693

作者：hjimce

对于caffe的系统一般使用linux系统，当然也有windows版本的caffe，不过如果你一开始使用了windows下面的caffe，后面学习的过程中，会经常遇到各种错误，网上下载的一些源码、模型也往往不能快速的跑起来，因为貌似caffe的官方只提供了linux版本，而且caffe在不断的快速迭代更新中，如果不使用原版的话，后面编译出现什么问题，自己怎么错的，自己都不知道。本篇博文主要讲解快速搭建caffe环境：

电脑系统：ubuntu 14.04

显卡：GTX 850

在ubuntu下要完整的搭建caffe，个人感觉最难的一步就是cuda的安装了，特别是对于双显卡的电脑来说，很容易黑屏、无法登陆图形界面，这个我安装了n久，都没装成功，因为我的电脑笔记本双显卡，每次装完cuda就黑屏，网上的教程一大堆，但都中看不中用，导致我重装了二三十次的系统，最后才成功。这里为了讲caffe的安装，我们先不使用GPU，进行安装测试，因为没有GPU我们依旧可以跑caffe，只是速度比较慢而已。

1、安装caffe所需要的依赖库

命令：

[python]  view plain  copy

 

1. sudo apt-get install libatlas-base-dev  
2. sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev  
3. sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler  

这些库要安装挺久的，请耐心等待。

2、下载caffe。

到github上下载caffe：https://github.com/BVLC/caffe。下载完成后，解压caffe源码包。解压后，我们打开文件，可以看到caffe的源码包如下：

3、配置Make.config 文件。caffe文件解压后，文件夹下面有一个Makefile.config.example文件，我们需要对这个文件进行重命名为：Make.config  。也就是去掉后缀example。然后我们打开这个文件，可以看到如下内容：

然后我们把：#CPU_ONLY:=1，那一行的注释符号去掉：CPU_ONLY:=1。这是因为我们没有安装CUDA，还不能使用gpu，所以我们把配置改为只使用cpu。

4、编译caffe。

方案一:

(1)在完成Make.config配置后，我们输入命令：

[python]  view plain  copy

 

1. make all  

进行caffe源码编译.这一步有可能遇到如下错误:

[cpp]  view plain  copy

 

1. caffe/proto/caffe.pb.h: No such file or directory  

如果出现这个错误,那么输入命令:

[cpp]  view plain  copy

 

1. protoc src/caffe/proto/caffe.proto --cpp_out=.  
2. mkdir include/caffe/proto  
3. mv src/caffe/proto/caffe.pb.h include/caffe/proto  

然后在进行make all 就可以了

(2)编译完成后，在安装python接口，输入命令：

[python]  view plain  copy

 

1. make pycaffe  

这个如果不使用python接口，调用caffe模型的话也可以不用安装，不过建议还是搞一下，就一句话的事。完事后，我们会发现caffe源码目录下，多了一个build文件，这个文件下面有个tools，打开这个文件夹：

这个文件夹下面的工具可是个好东西啊，以后我们会经常用到这些可执行文件，最常用的就是可执行文件：caffe，我们只要调用这个工具，就可以进行训练。

(3)接着编译test文件夹下面的源码。命令如下：

[python]  view plain  copy

 

1. make test  
2. make runtest  

采用这种方案一般没问题,不过我在使用c++调用的时候,会使用到链接库:libcaffe.so.1.0.0-rc3,这种方法编译后没有生成这个文件;经过google查找,发现采用cmake编译,才会生成libcaffe.so文件

方案二:直接采用cmake:

[cpp]  view plain  copy

 

1. mkdir build  
2. cd build  
3. cmake ..  
4. make all -j8  

5、测试阶段

安装完了，自然要测试一下能不能用咯。首先cd到caffe目录，然后输入命令：

[python]  view plain  copy

 

1. sh data/mnist/get_mnist.sh  
2. sh examples/mnist/create_mnist.sh  
3. vim examples/mnist/lenet_solver.prototxt  

把lenet_solver.prototxt里面的solver_mode 改为 CPU。因为我们还没装GPU，暂时只使用CPU就好了。

然后我们运行脚本：

[python]  view plain  copy

 

1. ./examples/mnist/train_lenet.sh  

这个时候，如果成功的话，就会开始跑起来：

说明：如果在使用caffe、或者编译安装caffe过程中，出现如下错误：

[python]  view plain  copy

 

1. CXX/LD -o .build_release/tools/convert_imageset.bin  
2. .build_release/lib/libcaffe.so: undefined reference tocv::imread(cv::String const&, int)'.build_release/lib/libcaffe.so: undefined reference tocv::imencode(cv::String const&, cv::_InputArray const&, std::vector >&, std::vector > const&)'  

那么请修改上面的Makefile文件（不是Makefile.config）：

[python]  view plain  copy

 

1. LIBRARIES += glog gflags protobuf leveldb snappy \  
2. lmdb boost_system hdf5_hl hdf5 m \  
3. opencv_core opencv_highgui opencv_imgproc opencv_imgcodecs  

也就是在libraries后面，加上opencv的相关库文件。

接着就开始caffe搞起吧，推荐个caffe模型网站：https://github.com/BVLC/caffe/wiki/Model-Zoo。本来个人不是很喜欢caffe的，就是因为这个网站吸引了我，这个网站可以搞到好多caffe模型、源码，非常适合于我们学习。

二、在Eclipse中使用编译调试caffe

1、首先就是安装Eclipse，然后安装c++开发插件，这个可以百度搜一下，eclipse下面怎么进行c++开发。

2.导入caffe makefile工程到eclipse （由于是英文版，下面描述也用英文，省的翻译，方便大家调试）
（1）File→New→Project→C/C++ →Makefile Project with Existing Code.
（2）Create a new Makefile Project from existing code
Projectname: caffe-master
Existing code location：/home/user/caffe-workspace/caffe-master
Language: choose C and C++
Toolchain:choose Linux GCC
（3）Then click on caffe-master in Project Explorer (set Window→Open  Perspective → C/C++).

（4）Now go File → Properties → Run/Debug settings.Click  New.., and choose C/C++ application
（5）Fill launch configurationproperties
·        Arguments:
fill   train –solver=examples/mnist/lenet_solver.prototxt
and change working directory from default to /home/user/caffe-workspace/caffe-master（change to your own directory）

(6)Now you can use debug caffe code: Run-> Debug

三、C++函数调用相关路径，makefile

[python]  view plain  copy

 

1. CC=g++  
2.   
3. CXXFLAGS = -O2 -Wall -D__STDC_CONSTANT_MACROS   
4.   
5. INCLUDE = -I/usr/local/cuda/include -I. -I/usr/local/cuda/include -I/home/hjimce/caffe/include/ -I/home/hjimce/caffe/src/  
6.   
7. LIBRARY = -L/usr/local/x86_64-linux-gnu/ -lprotobuf \  
8.                     -L/usr/lib/x86_64-linux-gnu/ -lglog \  
9.                     -L/usr/local/cuda/lib64/ -lcudart -lcublas -lcurand \  
10.                     -L/usr/local/lib/ -lm -lpthread -lavutil -lavformat -lavcodec -lswscale -lopencv_core -lopencv_imgproc -lopencv_highgui \  
11.                     -L/usr/lib/python2.7/config-x86_64-linux-gnu/ -lpython2.7 \  
12.                     -L/sur/lib32/ -lrt \  
13.                     -L../../caffe/build/lib/ -lcaffe  
14.   
15. all:  
16.     $(CC) $(INCLUDE) $(OBJS) testcpp.cpp -o exercise $(LIBRARY)  

windows下的caffe环境搭建

最近在ubuntu搞了一个月的caffe，总感觉很不爽，因为ubuntn下面的c++集成开发工具，eclipse用起来没有vs爽，因为对caffe的函数名不是很熟悉，所以需要借助vs的c++助手。然后前一个月大部分也是调用pycaffe，但是最近感觉需要对caffe的c++函数比较熟悉，才能把自己的能力进一步提高，于是就开始搞起了windows 下的caffe，借助vs的强大功能，快速学习caffe。一开始采用vs2012，最后各种错误，最后改成vs2013很容易就编译成功了。

最后推荐一个windows下caffe安装网站：http://thirdeyesqueegee.com/deepdream/2015/07/13/running-deep-dream-on-windows-with-full-cuda-acceleration/    这个包含了python的集成开发环境anaconda，caffe的全套功能。

************作者：hjimce   时间：2015.10.10  联系QQ：1393852684  原创文章，转载请保留原文地址、作者等信息***************

附录:在使用pycaffe遇到如下错误

[python]  view plain  copy

 

1. raise ValueError('Mean shape incompatible with input shape.')  
2. ValueError: Mean shape incompatible with input shape.  

那么把  ./python/caffe/io.py文件夹下面的代码:

[python]  view plain  copy

 

1. if ms != self.inputs[in_][1:]:    
2. raise ValueError('Mean shape incompatible with input shape.')   

改成:

[python]  view plain  copy

 

1. if ms != self.inputs[in_][1:]:    
2. print(self.inputs[in_])    
3. in_shape = self.inputs[in_][1:]    
4. m_min, m_max = mean.min(), mean.max()    
5. normal_mean = (mean - m_min) / (m_max - m_min)    
6. mean = resize_image(normal_mean.transpose((1,2,0)),    
7.     in_shape[1:]).transpose((2,0,1)) * \    
8.    (m_max - m_min) + m_min    
9. #raise ValueError('Mean shape incompatible with input shape.')