ubuntu快速安装Caffe (CPU_ONLY,无cuda、无cuDNN)

本文详细介绍了如何使用Caffe进行深度学习模型的配置、安装、训练和测试,包括简单的安装步骤、Mnist数据集的下载与使用,以及LeNet模型的训练过程。通过本指南,读者可以快速上手Caffe,进行深度学习项目。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

没想到第一篇优快云博文献给了深度学习,看来我从此走向了一条研发狗的漫漫不归路。幸运的是,好歹也有点文字可写,纵使酸腐不堪,如果有助于人,倒是一件快意的事。正所谓苦中寻乐泪作酒,请君入席来一壶?

正常点哈~


都说Caffe难配置,实际上再简单不过了。如果想要简单快速上手Caffe,完全没必要安装cuda和cuDNN。除了一些更新库外,直接编译就好了,只有中间一些Makefile需要修改,如果你不想反复求虐,这一点你一定得注意哟~

1.默认已安装opencv3.0.0以上版本。一定要是opencv3.0以上哦,没装好的请自觉安装完。

2.安装ATLAS:

sudo apt-get install libatlas-base-dev

安装完后就完全不需要去理会网上那些帖子里说的MKL,OPENBLAS之类的库了。

3.安装各种依赖项目:

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

最后这个protobuf是啥呢,protobuf是google公司的一个开源项目,主要功能是把某种数据结构的信息以某种格式保存及传递,类似微软的XML,但是效率较高。目前提供C++、java和python的API。

protobuf简介:http://blog.163.com/jiang_tao_2010/blog/static/12112689020114305013458/

protobuf使用实例 :http://www.ibm.com/developerworks/cn/linux/l-cn-gpb/

4.下载Caffe:

git clone git://github.com/BVLC/caffe.git 

5. 安装Caffe:

(1)复制Makefile.config:

cd caffe

cp Makefile.config.example Makefile.config 

(2)修改Makefile.config文件:

gedit Makefile.config

打开Makefile.config文件后: 

1)在# CPU_ONLY := 1这一行去掉#,使得CPU_ONLY模式生效;

2)在# OPENCV_VERSION := 3这一行去掉#,使得有关opencv3.0的链接生效,否则会出现类似这样的问题:

   .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&,

     issue链接: https://github.com/BVLC/caffe/issues/2348

 3)

sudo make all -j4 

   -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,如果CPU是4核的,则参数为-j4,也可以

   不添加这个参数,直接使用“make all”,这样速度可能会慢一点儿。

4)编译

sudo make test
sudo make runtest

编译完后就可以开始测试Caffe的数据集,整个过程不到20分钟~

6.下载Mnist手写体数字dataset:

sudo sh data/mnist/get_mnist.sh      
sudo sh examples/mnist/create_mnist.sh

等偷偷在LeCun老师那下载完后,会得到两个数据集:mnist-train-leveldb/, 和mnist-test-leveldb/.就可以开始训练啦~(这里包含了LDB格式的数据集./examples/mnist/create_mnist.sh)

LeNet:
caffe中用的模型结构是非常著名的手写体识别模型LeNet,唯一的区别是把其中的sigmoid激活函数换成了ReLU,整个结构中包含两个convolution layer、两个pooling layer和两个fully connected layer。结构定义在$caffe-master/examples/mnist/lenet_train_test.prototxt中。定义MNIST Network:
该结构定义在lenet_train_test.prototxt中,需要对google protobuf有一定了解并且看过Caffe中protobuf的定义,其定义在$caffe-master/src/caffe/proto/caffe.proto

7.训练Mnist数据集

sudo gedit examples/mnist/lenet_solver.prototxt

lenet_solver.prototxt 文件设定运行CPU 版本或者 GPU 版本,修改最后一行:solver_mode: CPU

开始训练:

sudo sh examples/mnist/train_lenet.sh
最终的model,会存为两个caffemodel,caffe/examples/mnist/lenet_iter_5000.caffemodel 和caffe/examples/mnist/lenet_iter_10000.caffemodel

接下来的呢,就是可以载入这两个caffemodel来做手写数字识别啦,后期再写啦~

                                       
<think>好的,用户想在Ubuntu 16.04上安装无GPU版的Caffe深度学习框架。首先,我需要回忆一下安装Caffe的基本步骤,并确保去掉所有与GPU相关的部分。根据提供的引用内容,用户可能已经参考过一些资源,但需要更清晰的指导。 首先,安装依赖项是关键。引用[1]和[2]提到了安装各种开发库,比如libprotobuf-dev、libboost-all-dev等。这些是必须的基础依赖,确保编译时不会出错。需要注意的是,对于无GPU版本,可能不需要安装NVIDIA驱动,所以可以跳过引用[1]中的步骤2和引用[3]中的GPU驱动安装部分。 接下来,用户可能需要克隆Caffe的源代码仓库。这部分在引用中没有提到,但通常Caffe安装需要从GitHub克隆代码。然后配置Makefile.config文件,如引用[5]提到的,需要修改配置文件。在无GPU的情况下,应该注释掉CPU_ONLY := 1这一行,并确保不使用CUDA相关的设置。同时,根据Python路径的配置,引用[4]提到需要设置PYTHONPATH环境变量,这可能是在安装完成后需要的步骤。 编译过程包括使用make命令编译Caffe,这里可能需要指定-j参数以加快速度。之后,运行测试以确保安装正确,比如make runtest。安装PyCaffe也是重要的一步,这样可以在Python中使用Caffe。最后,设置环境变量,让系统找到Caffe的Python模块,如引用[4]中的操作。 可能遇到的问题包括依赖项缺失、Python包未安装或路径配置错误。需要提醒用户仔细检查每个步骤,尤其是依赖项是否全部安装,以及Makefile.config中的配置是否正确。此外,Ubuntu 16.04的软件源可能较旧,需要确认是否仍然可用,或者是否需要更换镜像源。 总结步骤:安装依赖、克隆代码、配置、编译、测试、安装Python接口、设置环境变量。确保每个步骤都明确,并且针对无GPU的情况调整配置。最后生成相关问题,帮助用户解决可能遇到的更深层次问题。</think>### 在Ubuntu 16.04上安装无GPU版Caffe的指南 #### **1. 安装系统依赖** 运行以下命令安装基础开发库: ```bash sudo apt-get update sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler sudo apt-get install --no-install-recommends libboost-all-dev sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev sudo apt-get install git cmake build-essential ``` 此步骤确保编译所需的头文件和库已就位[^2]。 #### **2. 克隆Caffe仓库** ```bash git clone https://github.com/BVLC/caffe.git cd caffe ``` #### **3. 配置编译选项** 复制并修改配置文件: ```bash cp Makefile.config.example Makefile.config vi Makefile.config # 或使用其他编辑器 ``` 修改以下内容: - 取消注释 `CPU_ONLY := 1`(启用无GPU模式) - 注释或删除所有与CUDA相关的配置(如 `USE_CUDNN := 1`) - 检查BLAS设置(推荐使用OpenBLAS): ```makefile BLAS := open BLAS_INCLUDE := /usr/include/openblas ``` #### **4. 编译Caffe** ```bash make all -j$(nproc) # 使用多线程加速编译 make test make runtest # 验证核心功能 ``` #### **5. 安装Python接口** 安装Python依赖: ```bash sudo apt-get install python-dev python-numpy python-scipy python-matplotlib ``` 编译PyCaffe: ```bash make pycaffe ``` 添加Python路径到环境变量(永久生效): ```bash echo 'export PYTHONPATH=$(pwd)/python:$PYTHONPATH' >> ~/.bashrc source ~/.bashrc ``` 验证安装: ```python python -c "import caffe; print(caffe.__version__)" ``` #### **6. 常见问题** - **依赖缺失**:若编译报错提示缺少库,根据错误信息安装对应依赖。 - **Python路径错误**:确保`PYTHONPATH`正确指向Caffe的`python`目录[^4]。 - **BLAS冲突**:若使用其他BLAS库(如Atlas),需修改`Makefile.config`中的相关配置。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值