Ubuntu16.04+caffe(GPU)

基于Nvidia显卡驱动&cuda&cudnn均已安装配置好的基础上

1、安装caffe

a、 安装相关依赖包

sudo apt-get install 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

b、在我们要安装的路径下 clone ，一般默认会安装在home文件加下，文件夹名称为caffe。

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

进入 caffe ，将 Makefile.config.example 文件复制一份并更名为 Makefile.config ，也可以在 caffe 目录下直接调用以下命令完成复制操作 ：

cd caffe
sudo cp Makefile.config.example Makefile.config

复制一份的原因是编译 caffe 时需要的是 Makefile.config 文件，而Makefile.config.example 只是caffe 给出的配置文件例子，不能用来编译 caffe。

然后修改 Makefile.config 文件，在 caffe 目录下打开该文件：

sudo gedit Makefile.config

修改 Makefile.config 文件内容：

（1）应用 cudnn

将
#USE_CUDNN := 1
修改成： 
USE_CUDNN := 1

（2）使用python来编写layer

将
#WITH_PYTHON_LAYER := 1 
修改为 
WITH_PYTHON_LAYER := 1

（3）修改 python 路径（重要）

#Whatever else you find you need goes here. 下面的
 
INCLUDE_DIRS:= $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS:= $(PYTHON_LIB) /usr/local/lib /usr/lib
 
修改为：
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/include/hdf5/serial \
            /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/lib/x86_64-linux-gnu/hdf5/serial \
            /usr/local/lib /usr/lib

注：如果使用的是CUDA版本是8.0，从CUDA 8.0开始compute capability 2.0和2.1被弃用了，所以可以将-gencode arch=compute_20,code=sm_20 和-gencode arch=compute_20,code=sm_21这两行删除。如下

# For CUDA < 6.0, comment the *_50 lines for compatibility.
CUDA_ARCH := -gencode arch=compute_30,code=sm_30 \
        -gencode arch=compute_35,code=sm_35 \
        -gencode arch=compute_50,code=sm_50 \
        -gencode arch=compute_50,code=compute_50

然后修改 caffe 目录下的 Makefile 文件：

将：
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)
替换为：
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
 
将：
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

c、接下来开始编译，如果前面的配置或安装出错，那么编译就会出现各种各样的问题，所以前面的步骤一定要细心。

make all -j8  #-j8根据自己电脑配置决定
make test -j8
sudo make runtest -j8 #测试

当输入sudo make runtest -j8进行测试时可能报错，如下

解决方法
解决办法是将一些文件复制到/usr/local/lib文件夹下：(#注意自己CUDA的版本号！)

sudo cp /usr/local/cuda-10.0/lib64/libcudart.so.10.0 /usr/local/lib/libcudart.so.10.0 
sudo ldconfig

如果仍然有错误，继续将提示到的文件拷贝到/usr/local/lib，然后运行sudo ldconfig,直至无报错为止。

如果运行之后出现如图所示结果，说明caffe配置成功。

d、安装python接口
首先回到caffe的根目录，然后执行安装代码：

cd ~/caffe
sudo apt-get install gfortran
cd ./python
for req in $(cat requirements.txt); do pip install $req; done

如果无错误，下述×××××××××之间的可忽略

×××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××

安装过程中有错误

更新setuptools和pip(手欠更新了pip)

pip install --upgrade setuptools
python -m pip install --upgrade pip

执行for req in $(cat requirements.txt); do pip install $req; done，出现新的错误：pip Import Error:cannot import name main解决方案：

sudo gedit /usr/bin/pip

将原来的

from pip import main
if __name__ == '__main__':
    sys.exit(main())

改成：

from pip import __main__
if __name__ == '__main__':
    sys.exit(__main__._main())

安装完成以后，再次执行for req in $(cat requirements.txt); do pip install $req; done提示错误

所以进入root用户安装

sudo  su
for req in $(cat requirements.txt); do pip install $req; done

又报如下错误：

是由于多个版本pip共存导致，于是直接使用pip2进行安装无错误出现

×××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××

安装完成以后，再次回到caffe根目录我们可以执行：

cd ..
sudo pip2 install -r python/requirements.txt//如果未出现上述问题，用pip

编译python接口:

make pycaffe

报如下错误

解决方法，如数下述命令然后重新编译：

sudo apt-get install python-numpy

配置环境变量，以便python调用：

sudo gedit ~/.bashrc

将export PYTHONPATH=/home/lihe/caffe/python:$PYTHONPATH添加到文件中，加粗部分换为自己的用户名即可。

然后更新文件

source ~/.bashrc #更新文件

编译 pycaffe 成功后，验证一下是否可以在 python 中导入 caffe 包，首先进入 python 环境：

python

然后导入caffe

import caffe

若不报错则表示 caffe 的 python 接口已正确编译

2、MNIST数据集测试

配置caffe完成后，我们可以利用MNIST数据集对caffe进行测试，过程如下：
1).将终端定位到Caffe根目录

cd ~/caffe

2).下载MNIST数据库并解压缩

./data/mnist/get_mnist.sh

3).将其转换成lmdb数据库格式

./examples/mnist/create_mnist.sh

4).训练网络

./examples/mnist/train_lenet.sh

训练的时候可以看到损失与精度数值，如下图所示：

5).利用训练好的模型进行测试

 ./build/tools/caffe.bin test -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -iterations 100

测试结果如下所示：