（译）综合指南：通过Ubuntu 16.04上从Source构建来安装支持GPU的Caffe2

译者注：

原文来自：https://tech.amikelive.com/node-706/comprehensive-guide-installing-caffe2-with-gpu-support-by-building-from-source-on-ubuntu-16-04/?tdsourcetag=s_pctim_aiomsg, 不得不说该文作者知识比较丰富，研究比较深入，环境的配置讲解比较详细。个人认为这篇博客价值比较大，可能这篇博客会对深度学习的工作者们提供一定的帮助，所以打算翻译下来，并尽量还原原文的意思。如果有侵权，请联系我。

通过基础设施设置（译者注：即深度环境），我们可以方便地开始钻研深度学习，构建，训练和验证深度神经网络模型，并将模型应用到特定问题域。将深度学习原语转换为低级字节码执行可能是一项艰巨的任务，特别是对于没有深度学习计算兴趣的从业者。幸运的是，有几个深度学习框架提供高级编程接口，以帮助执行深度学习任务。（即深度学习平台）

在这篇文章中，我们将介绍Caffe2的安装，这是一个主要的深度学习框架。Caffe2采用Caffe，这是由加州大学伯克利分校Barkeley Vision and Learning Center（BVLC）开发的深度学习框架。Caffe2的开始旨在改善Caffe，特别是为了更好地支持大规模分布式模型培训，移动部署，降低精度计算，新硬件以及移植到多个平台的灵活性。

为什么从源安装？

需要注意的是，除了从源进行安装，还有一些更简单的选项，例如通过拉动和运行Caffe2 Docker镜像。可以在此处访问Caffe2映像的Docker存储库。尽管如此，如果您观察列表，image(docker中镜像)不是最新的，它们是针对旧版本的CUDA工具包和cuDNN构建的。因此，打算使用最新的Caffe2，CUDA或cuDNN功能的人应该考虑从源代码进行安装。

Caffe2 现在是Pytorch的一部分

之前caffe2是一个独立的库来维护的。自从2018年3月底依赖，Caffe2就已经被合并到Pytorch仓库中了，（译者注：现在已经不能通过单独编译caffe2的源代码得到Caffe2了，已经无法将所有模块clone下来了）。所以Caffe2的共同构建过程已经被集成到了pytorch中去。

关于源代码合并的动机可能存在疑问。正如公告文章中所解释的那样，合并之前是Caffe2和Pytorch之间的开发基础设施共享，导致共享代码和公共库的数量不断增加。然后得出结论，将两个项目合并为一个代码库将提高工程效率并提高框架的稳健性，尤其是在模型部署领域。

如果先前安装了Caffe2怎么办？在源代码合并之前安装Caffe2时，构建过程将输出随后复制到指定目录的头文件，动态库和python库。从理论上讲，用最新版本的文件替换旧的头文件和库文件就足够了。如果它不起作用，则在继续安装之前首先从已安装的目录中删除旧文件，然后进行清理

先决条件

我们将安装支持GPU的Caffe2。本文仅介绍具有NVIDIA GPU的计算机的安装过程。在完成安装之前，请验证是否满足这些项目。

确认已正确安装NVIDIA图形驱动程序。

您可以参考本文了解NVIDIA图形驱动程序的安装和功能检查。
验证是否已安装CUDA工具包。

如果您尚未安装CUDA工具包，不确定它是否已安装，或者是否要安装较新版本的CUDA工具包，请参阅本文，其中提供了有关CUDA工具包安装的更多详细信息。
验证是否已安装cuDNN。有关cuDNN安装的更多详细信息，

请参阅此文章
从先前的Caffe2安装中删除文件

如果您之前安装了Caffe2并且想要进行升级，则可能需要清除在先前的Caffe 2安装中创建和复制的文件。

注意：这通常可以跳过，因为构建工具将首先检查系统中安装的Caffe2的现有版本，然后再用新的版本替换它

sudo rm -vRf /usr/local/include/caffe2

sudo rm -vf /usr/local/lib/libcaffe2*

此外，我们可能需要从Python包目录中删除python API（路径可能因安装的Python版本而异）。

sudo rm -vRf /usr/local/lib/python2.7/dist-packages/caffe2

检查完所有先决条件后，我们现在可以继续安装。

安装步骤

可以通过按顺序执行这些步骤来完成安装。

更新apt包索引

sudo apt-get update

安装apt包依赖

sudo apt-get install -y --no-install-recommends build-essential cmake git libgoogle-glog-dev libgtest-dev libiomp-dev libleveldb-dev liblmdb-dev libopencv-dev libopenmpi-dev libsnappy-dev libprotobuf-dev openmpi-bin openmpi-doc protobuf-compiler python-dev python-pip

安装pip依赖

sudo pip install --upgrade pip

sudo pip install setuptools future numpy protobuf

sudo apt-get install -y --no-install-recommends libgflags-dev

注意：我们创建一个名为caffe2-pytorch的目录，并将Pytorch git repository克隆到此目录中。

mkdir caffe2-pytorch && cd caffe2-pytorch

git clone --recursive https://github.com/pytorch/pytorch.git ./

git submodule update --init

建立Caffe 2

mkdir build && cd build

cmake ..

sudo make -j"$(nproc)" install

注意：构建源代码时，我们提供-j标志。该标志指的是在构建源代码时编译器（即GCC）可以生成的线程数。该NPROC命令本身会打印可用的CPU数量。简而言之，我们希望通过创建多个线程来加快编译时间，这些线程相当于并行执行编译的CPU数量。

为Caffe 2共享库创建符号链接

sudo ldconfig

验证Caffe2的库文件和头文件是否已经安装好

更新本地database

sudo updatedb

确保libcaffe2.so在/usr/local/lib

locate libcaffe2.so

确认头文件是不是在/usr/local/include中

locate caffe2 | grep /usr/local/include/caffe2

将Caffe2添加到Python 库路径中，以便于其他应用能够通过路径找到该文件

vim ~/.profile

# set python path

if [ -z “$PYTHONPATH” ]; then

    PYTHONPATH=/usr/local

else

    PYTHONPATH=/usr/local:$PYTHONPATH

fi

#set library path

if [ -z “$LD_LIBRARY_PATH” ]; then

    LD_LIBRARY_PATH=/usr/local/lib

else

    LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

fi

我们还可以使用参数扩展设置库路径，如下所示：

PYTHONPATH=/usr/local${PYTHONPATH:+:${PYTHONPATH}}

LD_LIBRARY_PATH=/usr/local/lib${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

让新路径生效

source ~/.profile

验证Caffe2 python模块是否可以被正确调用

$ python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"

验证Caffe2是否可以在GPU支持下运行

python2 -c 'from caffe2.python import workspace; print(workspace.NumCudaDevices())'