Centos7+docker离线环境编译caffe （GPU）（极简方法）

由于公司内网无法连接互联网，因此只能在离线环境下编译caffe（GPU）

公司内网默认安装docker和NVIDIA-docker，如果没有安装的话可以参考这篇文章：

Centos下安装docker及NVIDIA-docker: https://blog.youkuaiyun.com/qq_38636133/article/details/93772623

本文资源：https://pan.baidu.com/s/1werdgQa07L-1JWbl4X6IMw

提取码：0g76

一、前期环境准备：

（以下内容均在本文资源中）

系统环境：Centos7

CUDA&cudnn版本：9.0-cudnn7-devel-centos7（CUDA9.0&cudnn7）

离线yum源：yumcafffe.tar

caffe: https://github.com/BVLC/caffe  caffe-master

步骤：

1. 登陆云平台 or UNIX类系统

*注意！宿主机上的虚拟机是无法调用NVIDIA显卡的，因此在虚拟机中无法配置GPU版本的caffe。

2. 在自己的工作目录中导入镜像

docker load –i 9.0-cudnn7-devel-centos7.tar

3. 之后创建脚本文件，用于创建容器

vi createdocker.sh

4. 在脚本文件中输入内容（按i进入insert，之后编辑）

nvidia-docker run –it –d –e NVIDIA_VISIBLE_DEVICES=1 - - name (容器名称) –v (宿主机路径): (容器路径) -p 30001:8888 –p 40001:9999 nvidia/cuda:9.0-cudnn7-devel-centos7

这里解释一下，宿主机路径：容器路径从根目录写起

30001:8888和40001:9999为容器端口：宿主机端口

cuda:9.0-cudnn7-devel-centos7为压缩包里的cuda-devel文件

5. 之后按esc，再输入：wq保存并退出

6. 之后在脚本文件创建的目录下执行脚本，创建对应容器

sh. createdocker.sh

此时输入docker ps -a查看，可以看到新建的容器

7. 进入刚才创建的容器

docker exec –it (容器name) /bin/bash

8. 在容器内指定目录下解压yumcaffe.tar文件

tar -xvf yumcaffe.tar

9. 删除容器中原有的yum源（离线安装需要自己配置yum源），如果不删除则添加local.repo时会找不到

10. 进入yum源库文件

cd /home
cd /etc/yum.repos.d

11. 在 yum.repos.d文件夹下执行（这一步需要注意！！！不要一不小心改到其他目录误删了文件！）

rm –rf *

12. 之后配置yum本地源

vi local.repo

13. 写入内容（i）

[local]

name=local

baseurl=file:///(yumcaffe解压路径)

enabled=1

gpgchekc=0

14. 退出并保存（esc & ：wq）

15. 更新本地源文件

yum clean expire-cache

yum makecache

16. 输入yum list即可看到配置好的本地源

二、caffe依赖库配置

按照caffe官网的步骤来

yum install gcc gcc-c++
yum install protobuf-devel leveldb-devel snappy-devel opencv-devel boost-devel hdf5-devel
yum install gflags-devel glog-devel lmdb-devel
yum install atlas-devel
yum install python-devel
yum install openblas-devel
yum install make

三、编译caffe

修改Makefile.config文件

①将# USE_CUDNN := 1

改为： USE_CUDNN := 1

②将BLAS := atlas

改为： BLAS := open

将# BLAS_INCLUDE := /path/to/your/blas

改为：BLAS_INCLUDE := /opt/OpenBLAS/include

将# BLAS_LIB := /path/to/your/blas

改为：BLAS_LIB := /opt/OpenBLAS/lib

③将两行-gencode arch=compute_20,code=sm_20 \

注释掉或者删除（使用的cuda9.0版本，其他版本根据文档要求注释即可）

之后cd caffe-master

make clean

make all –j8

稍等片刻编译完成

make test

make runtest

四、基于mnist数据集训练examples数据

编译完成后以mnist数据集为例子进行训练

将mnist_test_lmdb文件夹和mnist_train_lmdb文件夹mv至examples/mnist/目录下

在配置好GPU的环境后无需额外更改设置

之后在caffe根目录下执行

time sh examples/mnist/train_lenet.sh

迭代10000次，其他参数均为默认值，最终精度0.99 用时13s