一、CUDA7.5安装
首先是安装依耐性（dependencies），启动终端，输入以下代码
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler
安装CUDA
CUDA的下载地址是developer.nvidia/cuda-downloads，目前最新版本（截止日期2015.10.11）为7.5。
输入：
1）sudo dpkg -i cuda-repo-ubuntu1404-7-5-local_7.5-18_amd64.deb
2）sudo apt-get update
3）sudo apt-get install cuda
4）环境变量
a、export CUDA_HOME=/usr/local/cuda-7.5
b、export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
c、PATH=${CUDA_HOME}/bin:${PATH}
d、export PATH
也可参考：www.r-tutor/gpu-computing/cuda-installation/cuda7.5-ubuntu
二、Python安装和调试
1、安装IDE运行环境
选择一个适合你的IDE运行环境，用的是Spyder，因为它内置了iPython 环境，Caffe 有不少的程序是基于iPython 环境完成的。安装方法很简单，直接在Ubuntu软件中心搜索“spyder”即可安装。
（另外一个比较推荐的方法是使用iPyhthon NoteBook（基于浏览器的Python IDE），特别是适合需要用Python做教程的老师们，可以直接导出.py, .ipynb, html格式，安装步骤如下：$ sudo apt-get install -y ipython-notebook pandoc
启动(自动打开浏览器):
$ ipython nootbook
一个简单的使用iPython NoteBook生成的html的例子：
examples_notebook.html example_notebook.ipynb）。
三、BLAS安装与配置
1、BLAS安装
这里可以选择（ATLAS，MKL或者OpenBLAS），我这里使用MKL，首先
下载并安装英特尔® 数学内核库Linux* 版MKL，下载链接是：
software.intel/en-us/intel-education-offerings，请下载Student版，先申请，然后会立马收到一个邮件（里面有安装序列号），打开照着下载就
行了。下载完之后，要把文件解压到home文件夹(或直接把文件拷贝
到home文件夹，为了节省空间，安装完记得把压缩文件给删除喔～)，或者
其他的ext4的文件系统中。
接下来是安装过程，先授权，然后安装：
$ tar zxvf parallel_studio_xe_ （如果你是直接拷贝压缩文件过来的） $ chmod a+x parallel_studio_xe_2015 -R
$ sudo ./install_GUI.sh
2、MKL与CUDA的环境设置
1）新建f，并编辑之：
$ sudo gedit /etc/f.d/f
/opt/intel/lib/intel64
/opt/intel/mkl/lib/intel64
2）新建f，并编辑之：
$ sudo gedit /etc/f.f
/usr/local/cuda/lib64
/lib
3）完成lib文件的链接操作，执行：
$ sudo ldconfig –v
四、Opencv安装
1. 下载并编译OpenCV（原版OpenCV：/），或者使用本
站提供的修改版的安装包Install-OpenCV-master（下面的安装方式使用该包完成，安装包修改了dependencies.s件并增加了OpenCV 3.0.0的安装文件，同时保留了原来的2.3x和2.4x版）
2. 切换到文件保存的文件夹，然后安装依赖项：
$ sudo sh Ubuntu/dependencies.sh
3. 切换目录Ubuntu\3.0\安装OpenCV3.0.0rc1：
$ sudo sh opencv3_0_0-rc1.sh
保证网络畅通，因为软件需要联网这里时间较长，请耐心等待。。。，时间很
长！
五、安装其他依赖项
1. Google Logging Library（glog），下载地址le/p/google-glog/，
然后解压安装：
$ tar zxvf glog-0.3.
$ ./configure
$ make
$ sudo make install
如果没有权限就chmod a+x glog-0.3.3 -R , 或者索性chmod 777glog-0.3.3 -R , 装完之后，这个文件夹就可以kill了。
2. 其他依赖项，确保都成功
$ sudo apt-get install -y libprotobuf-dev libleveldb-devlibsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev
$ sudo apt-get install -y libgflags-dev libgoogle-glog-devliblmdb-dev
protobuf-compiler
六、安装caffe
1. 安装pycaffe必须的一些依赖项：
$ sudo apt-get install -y python-numpy python-scipypython-matplotlib
python-sklearn python-skimage python-h5py python-protobufpython-leveldb
python-networkx python-nose python-pandas python-gflags Cythonipython
$ sudo apt-get install -y protobuf-c-compilerprotobuf-compiler
2. 安装配置nVidia cuDNN 加速Caffe模型运算
参考：www.linuxdiyf/linux/13856.html
1）下载：
在（developer.nvidia/cudnn）下载，但是需要注册
或者，在pan.baidu/s/1dDsD7XZ（密码：eqsz）下载，但是不保证是最新版
2）安装：
$ tar -xzvf cudnn-7.
$ cd cudnn-7.0-linux-x64-v3.0-rc
$ sudo cp lib* /usr/local/cuda/lib64/
$ sudo cp cudnn.h /usr/local/cuda/include/
3）配置：
在~/fig中，将# USE_CUDNN := 1的注释去掉，
即：USE_CUDNN := 1，并重新编译。
NVIDIA CuDNN安装说明：www.linuxdiyf/linux/11369.html Caffe在Ubuntu 14.04 64bit下的安装：
www.linuxdiyf/linux/13008.html
Caffe+Ubuntu 15.04+CUDA 7.0新手安装配置指南：
www.linuxdiyf/linux/12708.html
Caffe+Ubuntu 14.04 64bit+CUDA 6.5配置说明：
www.linuxdiyf/linux/11368.html
Caffe安装指南：www.linuxdiyf/linux/12613.html
3. 切换到Caffe-master的文件夹，生成fig配置文件，执行：
$ fig
4. 配置fig文件（仅列出修改部分）
a. 启用CUDNN，去掉"#"（目前caffe-master仍然只支持R1版本）
USE_CUDNN := 1
b. 启用GPU，添加注释"#"
# CPU_ONLY := 1
c. 配置一些引用文件（增加部分主要是解决新版本下，HDF5的路径问题）
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
/usr/lib/x86_64-linux-gnu/hdf5/serial/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/hdf5/serial
d. 启用Intel Parallel Studio XE 2015 Professional Edition for C++ Linux
BLAS := mkl
e. 配置路径，实现caffe对Python和Matlab接口的支持
PYTHON_LIB := /usr/local/lib
ubuntu怎么安装pythonMATLAB_DIR := /usr/local/MATLAB/R2014a
5. 配置Makefile文件（实现对OpenCV 3.x的支持）
查“Derive include and lib directories”一节，修改“LIBRARIES +=”的最后一行，增加
opencv_imgcodecs
opencv_core opencv_highgui opencv_imgproc opencv_imgcodecs
6. 编译caffe-master！！！"-j8"是使用CPU的多核进行编译，可以极大地加速编译的速度，建议使用。
$ make all -j8
$ make test -j8
$ make runtest -j8
7．编译Python和Matlab用到的caffe文件
$ make pycaffe -j8
$ make matcaffe -j8
七、使用MNIST数据集进行测试
Caffe默认情况会安装在$CAFFE_ROOT，就是解压到那个目录，例如：
$ home/username/caffe-master，所以下面的工作，默认已经切换到了该工作目录。下面的工作主要是，用于测试Caffe是否工作正常，不做详细评估。具体设置请参考：
/gathered/examples/mnist.html
1. 数据预处理
$ sh data/mnist/get_mnist.sh
2. 重建lmdb文件。Caffe支持三种数据格式输入网络，包括Image(.jpg, .png等)，leveldb，
lmdb，根据自己需要选择不同输入吧。
$ sh examples/mnist/create_mnist.sh
生成mnist-train-lmdb 和mnist-train-lmdb文件夹，这里包含了lmdb格式的数据集
3. 训练mnist
$ sh examples/mnist/train_lenet.sh
至此，Caffe安装的所有步骤完结，下面是一组简单的数据对比，实验来源于MNIST数据集，主要是考察一下不同系统下CPU和GPU的性能。可以看到明显的差别了，虽然MNIST数据集很简单，相信复杂得数据集，差别会更大，Ubuntu+GPU是唯一的选择了。
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论