最近在复现R-CNN一系列的实验时，配置代码环境真是花费了不少时间。由于对MATLAB不熟悉，实验采用的都是github上rbg大神的Python版本。在配置Faster
R-CNN时，编译没有问题，一运行 ./tools/demo.py --net zf  就会出现如下错误：

<span style="font-size:14px;">Loaded network ./data/faster_rcnn_models/ZF_faster_rcnn_final.caffemodel    

F1008  roi_pooling_layer.cu:91] Check failed: error == cudaSuccess (8 vs. 0) invalid device function    

*** Check failure stack trace: ***  </span>

但是采用CPU mode运行时可以成功。

最后在https://github.com/rbgirshick/py-faster-rcnn/issues/2
找到了我想要的答案，有兴趣的可以慢慢阅读。

不想看的话，就直接按照我下面的方式修改。

一般情况下都是因为显卡的计算能力不同而导致的，修改 py-faster-rcnn/lib/setup.py 的第135行，将arch改为与你显卡相匹配的数值，（比如我的GTX 760，计算能力是3.0，就将sm_35改成了sm_30）然后删除utils/bbox.c，nms/cpu_nms.c ，nms/gpu_nms.cpp 重新编译即可

我看到有些人说还有其他的问题，那么可以在最开始的makefile.config文件中就开始修改，不过我没有试过,具体步骤如下

1. <span style="font-size:14px;">As below, there is my solution (thress steps):
2. 1 if you're using the GPU instance on AWS, then please change the architecture setting into:
3. # CUDA architecture setting: going with all of them.
4. # For CUDA < 6.0, comment the *_50 lines for compatibility.
5. CUDA_ARCH := -gencode arch=compute_30,code=sm_30 \
6. -gencode arch=compute_50,code=sm_50 \
7. -gencode arch=compute_50,code=compute_50
8. Because the GPU in AWS does not support compute_35
9. 2 I changed sm_35 into sm_30 in lib/setup.py file
10. 3 cd lib, remove these files: utils/bbox.c nms/cpu_nms.c nms/gpu_nms.cpp, if they exist.
11. And then make && cd ../caffe/ && make clean && make -j8 && make pycaffe -j8  </span>