Caffe的安装相比于CUDA简单不少，但是还是踩了几个坑，下面简单总结下Caffe的安装过程。
cuDNN是GPU加速计算深层神经网络的库。 首先去官网(https://developer.nvidia.com/rdp/cudnn-download)下载cuDNN,根据提示下载对应的版本号如下图： 
为了稳妥期间我没有下载最近的版本，下载了cuDNN5.0。 下载解压，指令如下
解压后文件包含如下几项： *cuda/include/cudnn.h cuda/lib64/libcudnn.so cuda/lib64/libcudnn.so.5 cuda/lib64/libcudnn.so.5.0.5 cuda/lib64/libcudnn_static.a* 继续执行以下指令：
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/sudo chmod a+r /usr/local/cuda/include/cudnn.hsudo chmod a+r /usr/local/cuda/lib64/libcudnn*复制到cuda对应的include和lib64文件目录中去。
从官网(http://opencv.org/downloads.html)下载OpenCV,并将其解压到你要安装的位置，假设解压到了/home/opencv。 安装前准备，创建编译文件夹：
cd ~/opencvmkdir buildcd build配置：
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..编译：
make -j8 #-j8-j8表示并行计算，根据自己电脑的配置进行设置，配置比较低的电脑可以将数字改小或不使用，直接输make。 编译make过程中会出现错误，graphcuts中的变量未声明，是因为opencv3.1还不支持cuda8.0，需要对其中的grapcuts.cpp进行更改： 
然后重新编译一下，即可成功。 以上只是将opencv编译成功，还没将opencv安装，需要运行下面指令进行安装：
首先，新建一个opencv的工作目录，进入后新建一个cpp文件。
mkdir ～/testcd testgedit DisplayImage.cpp编辑如下代码：
#include <stdio.h>#include <opencv2/opencv.hpp>using namespace cv;int main(int argc, char** argv ){ if ( argc != 2 ) { printf("usage: DisplayImage.out <Image_Path>/n"); return -1; } Mat image; image = imread( argv[1], 1 ); if ( !image.data ) { printf("No image data /n"); return -1; } namedWindow("Display Image", WINDOW_AUTOSIZE ); imshow("Display Image", image); waitKey(0); return 0;}接着，在当前目录下创建CMake编译文件
gedit CMakeList.txt编辑如下内容：
cmake_minimum_required(VERSION 2.8)project( DisplayImage )find_package( OpenCV REQUIRED )add_executable( DisplayImage DisplayImage.cpp )target_link_libraries( DisplayImage ${OpenCV_LIBS} )然后，编译：
cmake .make此时已经生成可执行bin文件，下载lena.jpg放在opencv-lena下。执行：
./DisplayImage lena.jpg最后显示得到结果 
显示成功，即表明opencv安装成功。
安装caffe前要安装一些依赖项，照着下面的步骤依次安装即可。 1) 安装依赖项
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compilersudo apt-get install --no-install-recommends libboost-all-dev2) 安装BLAS
sudo apt-get install libatlas-base-dev3) 安装pycaffe接口所需要的依赖项
sudo apt-get install -y python-numpy python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags cython ipython4) 继续gflags,glog等依赖项
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev5） 下载caffe并编译 在主目录下新建一个caffe的文件目录，按照下面顺序进行安装配置。
(1)将终端cd到要安装caffe的位置。
(2)从github上获取caffe：
git clone https://github.com/BVLC/caffe.git注意：若没有安装Git，需要先安装Git：
sudo apt-get install git(3)因为make指令只能make Makefile.config文件，而Makefile.config.example是caffe给出的 makefile例子，因此，首先将Makefile.config.example的内容复制到Makefile.config：
sudo cp Makefile.config.example Makefile.config(4)打开并修改配置文件：
sudo gedit Makefile.config #打开Makefile.config文件针对需求修改几项即可，如下：
a.若使用cudnn，则
将#USE_CUDNN := 1
修改成：
USE_CUDNN := 1
b.若使用的opencv版本是3的，则
将#OPENCV_VERSION := 3去掉修改为：
OPENCV_VERSION := 3
c.若要使用python来编写layer，则
将#WITH_PYTHON_LAYER := 1去掉#号修改为
WITH_PYTHON_LAYER := 1
然后开始编译：
make all -j16make runtest -j16编译过程中会报错，如下
error while loading shared libraries:libcudart.so.8.0: cannot open shared object file: No such file or directory这是因为没cuda的lib路径没添加上，终端写入命令：
sudo ldconfig /usr/local/cuda/lib64或者
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH重新编译即可。 
到目前位置caffe配置完毕，然后用Mnist数据集进行测试。
安装完成后，下载mnist数据进行测试，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。最终得到如下的结果 
我们可以看到最后的精度数值为0.991，说明训练成功。
至此，用两篇博客详细记录了在Ubuntu14.04系统下Cuda和Caffe的配置过程，期间的各种折磨和痛苦无以言表，最终还是成功了，可以开始在此框架下进行深度学习的大展拳脚了。
新闻热点
疑难解答
