Caffe(gpu) ubuntu安装

GPU版本的caffe安装过程比cpu复杂一些，建议现看cpu版本安装教程，然后再编译gpu版本，会轻松一点。Caffe(cpu版) Ubuntu安装

接下来进入正题

下载安装nvidia驱动

图形界面的ubuntu，直接在设置里的软件和更新里搜索并安装英伟达显卡驱动

不推荐以上方法安装，ubuntu推荐的显卡驱动并不是最新版，后续安装cuda或其他框架时会对显卡驱动版本有要求，所以推荐使用这篇文章 中的方法正确安装驱动，此处不具体介绍。

安装cuda

caffe官方推荐ubuntu16.04安装cuda8.0，英伟达cuda官网下载8.0版本

1

sudo chmod 777 cuda_8.0.44_linux.run

安装

1

sudo  sh cuda_8.0.44_linux.run

一路yes，当提示是否安装驱动时，选no，已经安装过了（如果看了驱动安装 的博客）。

环境变量配置

打开~/.bashrc文件：

1

sudo gedit ~/.bashrc 

将以下内容写入到~/.bashrc尾部：

1
2

export PATH="/usr/local/cuda-8.0/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda8.0/lib64:$LD_LIBRARY_PATH"

更新以下环境变量

1

source ~/.bashrc

测试CUDA的samples

1
2
3

cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery
make
sudo ./deviceQuery

安装cudnn

caffe官方推荐cudnn(v6)对应cuda8.0版本 下载完成后解压

1

sudo tar -zxvf ./cudnn-8.0-linux-x64-v6.0.tgz 

得到一个 cuda 文件夹，该文件夹下include和 lib64 两个文件夹，命令行进入 cuda/include 路径下，然后进行以下操作：

1

sudo cp cudnn.h /usr/local/cuda/include/ #复制头文件

然后命令行进入 cudn/lib64 路径下，运行以下命令：

1
2
3

sudo cp lib* /usr/local/cuda/lib64/ #复制动态链接库
sudo ln -sf libcudnn.so.6.0.21 libcudnn.so.6 #生成软衔接
sudo ln -sf libcudnn.so.6 libcudnn.so #生成软链接

安装完成后可用 nvcc -V 命令验证是否安装成功，若出现以下信息则表示安装成功：

配置makefile.config

将makefile.config文件中的以下内容解除注释并按自己的路径配置即可

• 使用cudnn

1

USE_CUDNN := 1

• 使用python来写layer

1

WITH_PYTHON_LAYER := 1

• 配置python路径

1
2
3
4

ANACONDA_HOME := $(HOME)/miniconda2
PYTHON_INCLUDE := $(ANACONDA_HOME)/include \
                  $(ANACONDA_HOME)/include/python2.7 \
                  $(ANACONDA_HOME)/lib/python2.7/site-packages/numpy/core/include 

• 设置hdf5的路径

1
2

 INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial 

编辑Makefile文件

很多教程都没有这一步，甚至是官方文档，也许这也是caffe较难安装的原因吧。

将：LIBRARIES += glog gflags protobuf boost_system boost_filesystem m
改为： LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial
将： NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)
替换为： NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)

编辑host_config.h文件

编辑/usr/local/cuda/include/host_config.h,将其中的第115行注释掉：

1

#error– unsupported GNU version! gcc versions later than 4.9 are not supported!

改为

1

//#error– unsupported GNU version! gcc versions later than 4.9 are not supported!

make编译caffe

1
2
3

make all -j8  #j8可以同时使用8个线程编译，加快编译速度
make test
make runtest

编译python接口（使用python调用caffe框架）

1

make pycaffe

导入caffe

• 命令行输入caffe，会出现caffe的帮助信息,说明安装成功
• 打开python编辑器，测试caffe的python接口是否可用

1

import caffe 

若报错，找不到模块，需要把caffe下的Python路径导入环境变量中去

1

vim ~/.bashrc

最后一行加上

1

export PYTHONPATH="/home/yaoting/caffe/python:$PYTHONPATH"

这里的路径写上你自己的路径 然后更新一下bashrc

1

source ~/.bashrc

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（一定要在caffa的根目录下执行以下命令，否则会出现有些文件找不到的情况）

1

cd ~/caffe

2. 下载MNIST数据库并解压缩

1

./data/mnist/get_mnist.sh

3. 将其转换成Lmdb数据库格式

1

./examples/mnist/create_mnist.sh

4. 训练网络

1

./examples/mnist/train_lenet.sh

结尾

Caffe这个深度学习框架上手非常容易，但是安装极难（起码我是这么认为）。较之Tensorflow，Pytorch等框架，caffe组织结构更加清晰，易用性更高，但是存在安装编译困难（我认为如果能装好Caffe，其他框架的安装就是小儿科了）、更新慢（貌似现在已经不更新了，作为老一代深度学习框架，感觉它即将退出历史舞台）、不灵活等缺陷，例如想修改或增加某些新的层，需要修改C++源码，对于新手或没接触过C++的人来说很不友好

好了，现在可以尝试着将caffe源码中的example都跑一下试试看了～