官网:
http://caffe.berkeleyvision.org/installation.html#compilation
参考网站:
http://www.cnblogs.com/dupuleng/articles/4213834.html
http://www.cnblogs.com/empty16/p/4793404.html
-------------------------------------------------------------------------------------------------------------------------------------
一、安装build-essentials
安装开发所需要的一些基本包
sudo apt-get install build-essential
二、CUDA安装
这一步包括三个部分:
- nvidia驱动
- cuda-toolkit
- cuda-samples
在CPU模式下仅需要安装cuda-toolkit,接下来介绍如何安装cuda-toolkit
2.1 下载CUDA6.5
下载方式:windows下载(http://developer.download.nvidia.com/compute/cuda/6_5/rel/installers/cuda_6.5.14_linux_64.run)通过ssh传到Ubuntu
或者直接在Ubuntu中输入:
wget http://developer.download.nvidia.com/compute/cuda/6_5/rel/installers/cuda_6.5.14_linux_64.run
通过下列命令增加.run文件的执行权限:
chmod +x *.run
然后解压下载到的文件:
./cuda_6..14_linux_64.run --extract=extract_path (说明:需要将extract_path改为将文件解压到的地点)
解压下载得到的.run文件,得到三个文件,我们只安装第一个,即cuda-toolkit包
- CUDA安装包: cuda-linux64-rel-6.5.14-18749181.run
- NVIDIA驱动: NVIDIA-Linux-x86_64-340.29.run
- SAMPLE包: cuda-samples-linux-6.5.14-18745345.run
2.2 安装cuda
安装CUDA需要在纯命令行下进行(非常重要),按 ctrl+alt+F1进入tty,登录后执行如下命令
sudo service lightdm stop 或者 sudo stop lightdm
执行下列命令安装CUDA,按照提示一步步安装,其中会让你选择安装目录,接受协议等,为方便选择默认路径,直接回车即可。
sudo ./cuda-linux64-rel-6.5.14-18749181.run
2.3 添加环境变量
安装完成后在/etc/profile中添加环境变量,在文件最后添加
PATH=/usr/local/cuda-6.5/bin:$PATH
export PATH
保存后,执行下列命令,使环境变量立即生效
source /etc/profile
2.4 添加lib库路径
在/etc/ld.so.conf.d/目录下增加文件cuda.conf,内容如下
/usr/local/cuda-6.5/lib64
执行下列命令立刻生效
sudo ldconfig
注: 如果你没有使用默认路径,将上面的路径换成自己相应的路径即可
2.5 退出命令行
sudo service lightdm start 或者 sudo start lightdm
三、安装BLAS
BLAS有三个版本:ATLAS, MKL, OpenBLAS。MKL是收费的,也用student版本,不过需要使用你所在单位的邮箱来申请, 其它两种是免费的,这里使用OpenBlas。听说MKL效率上比其它两种好很多。。
1. 下载地址:
wget https://codeload.github.com/xianyi/OpenBLAS/tar.gz/v0.2.15
2. 解压
tar -zvxf OpenBLAS-0.2.
3.进入解压生成的文件进行编译安装:
直接输入:make; 估计会报错: make[1]: *** [sgemm.o] Error 1
那么输入:make TARGET=NEHALEM
编译好后会提示类似于: make PREFIX=/your/path/lib install等;它的意思就是安装lib到相应的地址
输入: make PREFIX=/usr/local/OpenBlas/
4. 添加lib库路径: 在/etc/ld.so.conf.d/目录下增加文件OpenBlas.conf,内容如下
/usr/local/OpenBlas/lib
5. 执行下列命令立刻生效
sudo ldconfig
四、安装Opencv
- 从github上下载安装脚本:https://github.com/jayrambhia/Install-OpenCV
- 进行Ubuntu/2.4目录,对所有脚本增加可执行权限
sudo chmod +x *.sh
安装最新版本(当前为2.4.9),有人自己写了2.4.20版本的,有兴趣的可以去下:http://pan.baidu.com/s/1m3hQu
3. 安装依赖项
sudo ./dependencies.sh
4. 安装opencv 2.4.9
sudo sh ./opencv2_4_9.sh
这块儿时间比较长,保证网络连接,需要联网下载安装包。
注意:中途可能会报错:
1
|
opencv-2.4.9/modules/gpu/src/nvidia/core/NCVPixelOperations.hpp(51): error: a storage class is not allowed in an explicit specialization
|
解决方案: 下载NCVPixelOperations.hpp ,替换掉Ubuntu/2.4/Opencv/opencv2.4.9/moduels/gpu/src/nvidia/core目录中的NCPixelOperations.hpp文件,重新执行安装命令
sudo sh ./opencv2_4_9.sh
五、安装其它依赖项
Ubuntu14.04用户执行
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
其它版本参考官网说明
六、安装Caffe所需要的Python 环境(未测试)
选择一个适合你的IDE运行环境,作者用的是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。
七、安装Caffe所需要的matlab环境
- 下载:自己从网上找资源吧,百度云盘中有比较多的资源。注意:caffe只支持matlab12b以上的版本
- 安装具体流程参考:http://blog.csdn.net/aimatfuture/article/details/8058156
八、编译Caffe
- 下载:https://github.com/BVLC/caffe
- 进入caffe目录,复制一份Makefile.config
cp Makefile.config.example Makefile.config
- 根据自己环境修改相应内容
1 取消 CPU_ONLY := 1前面的注释
2. cuda 安装路径改为自己的路径 : CUDA_DIR := /usr/local/cuda-6.5
3. 配置路径:实现caffe对python和matlab接口的支持
PYTHON_INCLUDE := /usr/include/python2.7 \ /usr/lib/python2.7/dist-packages/numpy/core/include PYTHON_LIB := /usr/local/lib INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib MATLAB_DIR := /usr/local/MATLAB/R2014a
4. BLAS := open (根据自己选择的版本,分别设为atlas, mkl, open
BLAS_INCLUDE :=/usr/local/OpenBlas/include
BLAS_LIB :=/usr/local/OpenBlas/lib
Makefile中: BLAS ?= atlas 改成: BLAS ?= open
- 编译caffe
sudo make all -j2
sudo make test
sudo make runtest
在一这步可能会碰到问题:undefined refrence to ' cudaGetDevice '
解决方法:
1. 修改Makefile.config, 修改CUSTOM_CXX := g++-4.6
2. 执行命令 sudo apt-get install gcc-4.6 g++-4.6 gcc-4.6-multilib g++-4.6-multilib
3. 修改以下两个文件
vi src/caffe/common.cpp
vi tools/caffe.cpp
使用google替代gflags
4. 重新make
如果在make的过程中提示:“error while loading shared libraries: xxx.so.x”,可能是cuda及OpenBLAS环境变量没有设置正确,检查相应步骤,可参考:http://blog.csdn.net/sahusoft/article/details/7388617
九、编译matlab wrapper
make matcaffe
十、编译python wrapper
make pycaffe
十一、使用MNIST数据集进行测试
这部分可参考caffe官网:http://caffe.berkeleyvision.org/gathered/examples/mnist.html,非常详细。
注:这一部分默认在caffe的目录下完成,不能去相应的子目录下执行脚本,因为脚本中的路径是相对于caffe目标的相对路径 。
- 获取数据: sudo sh data/mnist/get_mnist.sh
- 重建lmdb/ leveldb文件:sh examples/mnist/create_mnist.sh ( caffe支持三种数据格式输入: images(.jpg,.png等),leveldb, lmdb)
- 切换到CPU模式: 在lenet_solver.prototxt中修改 solover_mode = CPU , 在最后一行
- 训练minist: sudo sh examples/mnist/train_lenet.sh
没有错误的话,就可以看到一串串的输出信息啦。
会进行10000次的迭代,耐心的等待吧!
十二、测试训练的模型
当所有数据都训练好之后,接下来就是如何将模型应用到实际数据了:
./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel -gpu=0
如果没有GPU则使用
./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel
十二、在CPU模式下,所以不安装CuDnn