深度学习框架Caffe的编译安装

　　深度学习框架caffe特点，富有表达性、快速、模块化。下面介绍caffe如何在Ubuntu上编译安装。

1. 前提条件

安装依赖的软件包：

CUDA 用来使用GPU模式计算.
- 建议使用 7.0 以上最新的版本
BLAS via ATLAS, MKL, or OpenBLAS.
Boost >= 1.55
protobuf, glog, gflags, hdf5

可选依赖软件包:

OpenCV >= 2.4 including 3.0
IO libraries: lmdb, leveldb (note: leveldb requires snappy)
cuDNN for GPU acceleration (v3)

编程开发接口：

　　Pycaffe 和 Matcaffe，各自有各自的要求：

For Python Caffe: Python 2.7 or Python 3.3+, numpy (>= 1.7), boost-provided boost.python
For MATLAB Caffe: MATLAB with the mex compiler

编译版本：

　　cuDNN Caffe：支持CUDA和cuDNN快速操作

　　CPU-only Caffe：无CUDA支持，只使用CPU。可用于云和集群部署。

2. 编译

安装依赖包（boost 和 protobuf, glog, gflags, hdf5）：

sudo apt-get install libboost-all-dev libprotobuf-dev protobuf-compiler libhdf5-serial-dev libgflags-dev libgoogle-glog-dev

安装依赖包（atlas）：

sudo apt-get install libatlas-base-dev

安装依赖包（CUDA）：

　　下载网址：　CUDA

　　CUDA有几种安装方式，由于文件比较大，国内有源，所以这里选择从网络安装。

　　下载相应的安装包，如我的是 cuda-repo-ubuntu1504_7.5-18_amd64.deb 。然后执行如下命令：

sudo dpkg -i cuda-repo-ubuntu1504_7.5-18_amd64.deb

sudo apt-get update

sudo apt-get install cuda

　　设置LD_LIBRARY_PATH，最简单的方式在你的 /etc/profile 或 ~/.bashrc 文件中添加如下语句：

　　　　export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
　　

　　或者执行命令 sudo vi /etc/ld.so.conf.d/cuda.conf，在文件中添加如下内容：

　　　　/usr/local/cuda/lib64

　　然后再执行命令：

sudo ldconfig

安装可选包（IO libraries: lmdb, leveldb (note: leveldb requires snappy) 和 opencv）：

sudo apt-get install libleveldb-dev libsnappy-dev liblmdb-dev libopencv-dev

安装CUDNN：

　　下载网址：CUDNN （需要注册申请，批准通过，才能下载）

　　解压缩下载文件，将 include 和 lib64 拷贝放置在 /usr/local/cuda 目录下即可。

　　执行如下命令修改链接文件：

cd /usr/local/cuda/lib64

rm -rf libcudnn.so libcudnn.so.4

ln -s libcudnn.so.4.0.4 libcudnn.so.4

ln -s libcudnn.so.4 libcudnn.so

获取源代码：

git clone git://github.com/BVLC/caffe.git

添加修改编译配置：

cp Makefile.config.example Makefile.config
vi Makefile.config

　　a. 启用CUDNN，去掉"#"

　　　　USE_CUDNN := 1

　　b. 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

　　c.启用opencv3，如果你使用的 opencv >= 3.0.0

　　　　OPENCV_VERSION := 3

　　　　否则编译时候会报错 “ 对‘cv::imdecode(cv::_InputArray const&, int)’未定义的引用 ”

执行如下命令编译：　

make all -j4

make test -j4

make runtest -j4

要编译使用cuDNN加速，在Makefile.config文件中，设置 USE_CUDNN := 1
要编译 CPU-only Caffe版本，在Makefile.config文件中，设置 CPU_ONLY := 1

　　要编译Python 和 MATLAB 封装包，在分别各自使用 make pycaffe 和 make matcaffe 命令编译前，确定在 Makefile.config 文件中，设置好 MATLAB 和 Python的路径。

　　要安装使用pycaffe，必须安装相应的python依赖包，可进入python，并执行如下命令安装：

for req in $(cat requirements.txt); do pip install $req; done

　　注意：在安装python包时，可能会失败，是由于缺少相应的cpp版本，比如我的机器安装pyyaml失败，于是执行命令安装libyaml

sudo apt-get install libyaml-cpp-dev

　　执行如下命令编译 pycaffe：

make pycaffe -j4

　　在安装完成之后，如果想要导入caffePython模块，则添加模块路径到你的环境变量 $PYTHONPATH 中。比如在你的~/.bashrc中添加如下一行：

　　　　export PYTHONPATH=/path/to/caffe/python:$PYTHONPATH

3. 测试安装

　　下面通过运行mnist来验证caffe已正常安装：

1. 数据预处理

data/mnist/get_mnist.sh

2. 重建lmdb文件。Caffe支持多种数据格式输入网络，包括Image(.jpg, .png等)，leveldb，lmdb，HDF5等，根据自己需要选择不同输入吧。

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

examples/mnist/train_lenet.sh