CUDA8.0+Ubuntu14.04+Caffe安装过程之Caffe安装教程

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。

配置cuDNN

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：

复制到cuda对应的include和lib64文件目录中去。

安装OpenCV3.1

下载及安装

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：

配置：

编译：

-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：

测试

首先，新建一个opencv的工作目录，进入后新建一个cpp文件。

编辑如下代码：

接着，在当前目录下创建CMake编译文件

编辑如下内容：

然后，编译：

此时已经生成可执行bin文件，下载lena.jpg放在opencv-lena下。执行：

最后显示得到结果 显示成功，即表明opencv安装成功。

Caffe安装

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

2) 安装BLAS

3) 安装pycaffe接口所需要的依赖项

4) 继续gflags,glog等依赖项

5） 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：

注意：若没有安装Git，需要先安装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：

(4)打开并修改配置文件：

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：

编译过程中会报错，如下

这是因为没cuda的lib路径没添加上，终端写入命令：

或者

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。

Mnist数据测试

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。

总结

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。