??????? 在編譯Caffe的漫長過程中，經過了一個又一個坑，掉進去再爬出來，挺有趣的。對比原文有修改！

??????? LInux下配置安裝：（本文檔使用同一塊NVIDIA顯卡進行顯示與計算， 如分別使用不同的顯卡進行顯示和計算，則可能不適用。）

??????? 原文鏈接：http://blog.sciencenet.cn/blog-1583812-841855.html

??????? 參考鏈接：http://www.cnblogs.com/platero/p/3993877.html

??????? 官方文檔：http://caffe.berkeleyvision.org/installation.html

1. 安裝build-essentials

安裝開發所需要的一些基本包：

sudo apt-get install build-essential

2. 安裝NVIDIA驅動 (3.4.0)

2.1 準備工作（2014-12-03更新）

在關閉桌面管理 lightdm 的情況下安裝驅動似乎可以實現Intel 核芯顯卡 來顯示 + NVIDIA 顯卡來計算。具體步驟如下：

1. 首先在BIOS設置里選擇用Intel顯卡來顯示或作為主要顯示設備

2. 進入Ubuntu， 按?ctrl+alt+F1 進入tty， 登錄tty后輸入如下命令

sudo service lightdm stop

該命令會關閉lightdm。如果你使用 gdm或者其他的desktop manager, 請在安裝NVIDIA驅動前關閉他。

2.2 安裝驅動

輸入下列命令添加驅動源

sudo add-apt-repository ppa:xorg-edgers/ppa sudo apt-get update

安裝340版驅動 (CUDA 6.5.14目前最高僅支持340版驅動， 343， 346版驅動暫不支持)

sudo apt-get install nvidia-340

安裝完成后, 繼續安裝下列包 (否則在運行sample時會報錯)

sudo apt-get install nvidia-340-uvm

安裝完成后 reboot.

3. 安裝CUDA 6.5

【點擊此鏈接】 下載CUDA 6.5.?

然后通過下列命令, 將下載得到的.run文件解壓成三個文件, 分別為

• CUDA安裝包:?cuda-linux64-rel-6.5.14-18749181.run
• NVIDIA驅動:?NVIDIA-Linux-x86_64-340.29.run
• SAMPLE包:?cuda-samples-linux-6.5.14-18745345.run

這里不安裝NVIDIA驅動

cuda6.5.run --extract=extract_path

注意, 需要通過下面命令給所有.run文件可執行權限

chmod +x *.run

?

3.1 安裝CUDA

通過下列命令安裝CUDA, 按照說明一步一步安裝至完成.

sudo ./cuda-linux64-rel-6.5.14-18749181.run

3.1.1 添加環境變量

安裝完成后需要在/etc/profile中添加環境變量, 在文件最后添加:

PATH=/usr/local/cuda-6.5/bin:$PATH export PATH

保存后, 執行下列命令, 使環境變量立即生效

source /etc/profile

3.1.2 添加lib庫路徑

在 /etc/ld.so.conf.d/加入文件 cuda.conf, 內容如下

/usr/local/cuda-6.5/lib64

執行下列命令使之立刻生效

sudo ldconfig

3.2 安裝CUDA SAMPLE

首先安裝下列依賴包

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libglu1-mesa-dev

然后用下述命令安裝sample文件

sudo ./cuda-samples-linux-6.5.14-18745345.run

完成后編譯Sample文件, 整個過程大概10分鐘左右

cd /usr/local/cuda-6.5/samples sudo make

?全部編譯完成后， 進入 samples/bin/x86_64/linux/release, sudo下運行deviceQuery

sudo ./deviceQuery

如果出現下列顯卡信息， 則驅動及顯卡安裝成功：

./deviceQuery Starting...CUDA Device Query (Runtime API) version (CUDART static linking)Detected 1 CUDA Capable device(s)Device 0: "GeForce GTX 670"CUDA Driver Version / Runtime Version 6.5 / 6.5CUDA Capability Major/Minor version number: 3.0Total amount of global memory: 4095 MBytes (4294246400 bytes)( 7) Multiprocessors, (192) CUDA Cores/MP: 1344 CUDA CoresGPU Clock rate: 1098 MHz (1.10 GHz)Memory Clock rate: 3105 MhzMemory Bus Width: 256-bitL2 Cache Size: 524288 bytesMaximum Texture Dimension Size (x,y,z) 1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)Maximum Layered 1D Texture Size, (num) layers 1D=(16384), 2048 layersMaximum Layered 2D Texture Size, (num) layers 2D=(16384, 16384), 2048 layersTotal amount of constant memory: 65536 bytesTotal amount of shared memory per block: 49152 bytesTotal number of registers available per block: 65536Warp size: 32Maximum number of threads per multiprocessor: 2048Maximum number of threads per block: 1024Max dimension size of a thread block (x,y,z): (1024, 1024, 64)Max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535)Maximum memory pitch: 2147483647 bytesTexture alignment: 512 bytesConcurrent copy and kernel execution: Yes with 1 copy engine(s)Run time limit on kernels: YesIntegrated GPU sharing Host Memory: NoSupport host page-locked memory mapping: YesAlignment requirement for Surfaces: YesDevice has ECC support: DisabledDevice supports Unified Addressing (UVA): YesDevice PCI Bus ID / PCI location ID: 1 / 0Compute Mode:< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 6.5, CUDA Runtime Version = 6.5, NumDevs = 1, Device0 = GeForce GTX 670 Result = PASS

?4. 安裝Intel MKL?

（如果沒有可以安裝OpenBLAS代替）解壓安裝包，下面有一個install_GUI.sh文件， 執行該文件，會出現圖形安裝界面，根據說明一步一步執行即可。

1.安裝 MKL

注意： 安裝完成后需要添加library路徑

sudo gedit /etc/ld.so.conf.d/intel_mkl.conf

在文件中添加內容

/opt/intel/lib /opt/intel/mkl/lib/intel64 2.或者 安裝 OpenBLAS

Install ATLAS/MKL/OpenBLAS if you haven't already. $ sudo apt-get install libopenblas-dev or $ sudo apt-get install libopenblas-base （這里我按照這樣的方法最終編譯出現cblas找不到的問題，應該是MKL安裝有問題，但是又沒辦法解決，最終我就按照官網的方法安裝了ATLAS：sudo apt-get install libatlas-base-dev一句話就搞定，雖然性能可能比不上MKL，但是將就著能用就行。）?

注意把路徑替換成自己的安裝路徑。 編輯完后執行

sudo ldconfig

5. 安裝OpenCV

這個盡量不要手動安裝， Github上有人已經寫好了完整的安裝腳本：

https://github.com/jayrambhia/Install-OpenCV

下載該腳本，進入Ubuntu/2.4 目錄, 給所有shell腳本加上可執行權限

chmod +x *.sh

然后安裝最新版本 （當前為2.4.9）

（http://code.opencv.org/issues/3814 ?下載?NCVPixelOperations.hpp?替換掉opencv2.4.9內的文件， 重新build。）

sudo ./opencv2_4_9.sh

（注意，修改一下 文件里面的編譯選項，一直開 make j4, 導致CPU 總是熱導致停機，半途而廢。

應修改為 j2 ，或者去掉j選項）

腳本會自動安裝依賴項，下載安裝包，編譯并安裝OpenCV。

整個過程大概半小時左右。?

注意，中途可能會報錯（這一次真的報錯了！！！）

opencv-2.4.9/modules/gpu/src/nvidia/core/NCVPixelOperations.hpp(51): error: a storage class is not allowed in an explicit specialization

解決方法在此：http://code.opencv.org/issues/3814 ?下載?NCVPixelOperations.hpp?替換掉opencv2.4.9內的文件， 重新build。

6. 安裝其他依賴項

Ubuntu14.04用戶執行

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

其他版本用戶參考官方說明：http://caffe.berkeleyvision.org/installation.html

7. 安裝Caffe所需要的Python環境

首先安裝pip和python-dev （系統默認有python環境的， 不過我們需要的使python-dev）

sudo apt-get install python-dev python-pip

然后執行如下命令安裝編譯caffe python wrapper 所需要的額外包

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

在執行上述命令時， 會報錯導致不能完全安裝所有需要的包。 可以按照官方建議安裝anaconda包。 在anaconda官網下載.sh文件，執行，最后添加bin目錄到環境變量即可。

（下面的添加沒用！一般不會用到）

建議安裝Anaconda包，這個包能獨立于系統自帶的python庫，并且提供大部分Caffe需要的科學運算Python庫。這里需要注意，在運行Caffe時，可能會報一些找不到libxxx.so的錯誤，而用 locate libxxx.so命令發現已經安裝在anaconda中，這時首先想到的是在/etc/ld.so.conf.d/ 下面將 $your_anaconda_path/lib 加入 LD_LIBRARY_PATH中。但是這樣做可能導致登出后無法再進入桌面！！！原因（猜測）可能是anaconda的lib中有些內容于系統自帶的lib產生沖突。

正確的做法是：為了不讓系統在啟動時就將anaconda/lib加入系統庫目錄，可以在用戶自己的~/.bashrc 中添加library path， 比如我就在最后添加了兩行

# add library path LD_LIBRARY_PATH=your_anaconda_path/lib:$LD_LIBRARY_PATH export LD_LIBRARY_PATH

開啟另一個終端后即生效，并且重啟后能夠順利加載lightdm, 進入桌面環境。

8. 安裝MATLAB

Caffe提供了MATLAB接口， 有需要用MATLAB的同學可以額外安裝MATLAB。

安裝教程請自行搜索。

一般過程是：

1.下載matlab iso鏡像文件（。搜索matlab unix版可得到，我下的是2010a)

2. 打開終端，輸入

???? sudo mkdir /mnt/temp (建立臨時文件夾存放裝載后的iso文件)；

???? sudo mount -o loop?/路徑/Matlab.R2010a.UNIX.ISO-TBE.iso? /mnt/temp (綠色路徑為matlab iso文件所在位置)，回車后裝載鏡像文件完成。

3. 創建安裝matlab的文件夾（可以自己決定位置，但是要記住，后面會用到，eg: /usr/local/matlab）。

??? 創建命令： sudo mkdir /usr/local/matlab

4. 開始安裝sudo /mnt/temp/install 此時會彈出類似于windows下安裝的圖形化安裝界面，選擇不聯網安裝，

??? 會提示輸入序列號，序列號在 /mnt/temp/crack 文件夾下的install文件里，或者serials的TXT文件里。

?? 選擇安裝路徑為你在第三步創建的文件夾。安裝接近最后 會問你是不是需要激活，選擇不聯網激活，

??? 選擇 /mnt/temp/crack 文件夾下的lic_standalone.dat文件或者serials 里面的lic文件即可。

??? 激活成功！

5. 安裝完成后卸載鏡像文件。sudo umount /mnt/temp

************************ 至此安裝部分順利完成，接下來是如何啟動 *********************************

1. 在終端啟動，進入安裝matlab的路徑并進入bin文件夾，在終端輸入./matlab -desktop

??? 或者，linux桌面直接建立一個指向文件的快捷方式。

安裝完成后添加圖標?http://www.linuxidc.com/Linux/2011-01/31632.htm

sudo vi /usr/share/applications/Matlab.desktop

輸入以下內容

[Desktop Entry] Type=Application Name=Matlab GenericName=Matlab 2010b Comment=Matlab:The Language of Technical Computing Exec=sh /usr/local/MATLAB/R2010b/bin/matlab -desktop Icon=/usr/local/MATLAB/Matlab.png Terminal=false Categories=Development;Matlab;

(I use the R2013b patched package. First you should uncompress the .iso file. Then usesudo cp to copy the patch file)

9. 編譯Caffe

終于完成了所有環境的配置，可以愉快的編譯Caffe了！ 進入caffe根目錄， 首先復制一份Makefile.config

cp Makefile.config.example Makefile.config

然后修改里面的內容，主要需要修改的參數包括

CPU_ONLY 是否只使用CPU模式，沒有GPU沒安裝CUDA的同學可以打開這個選項

BLAS (使用intel mkl還是OpenBLAS)（由于我安裝了atlas，所以不需要修改默認設置！）

MATLAB_DIR 如果需要使用MATLAB wrapper的同學需要指定matlab的安裝路徑,

如我的路徑為 /usr/local/MATLAB/R2013b (注意該目錄下需要包含bin文件夾，bin文件夾里應該包含mex二進制程序)

DEBUG 是否使用debug模式，打開此選項則可以在eclipse或者NSight中debug程序

完成設置后， 開始編譯

make all -j4 make test make runtest

注意 -j4 是指使用幾個線程來同時編譯， 可以加快速度， j后面的數字可以根據CPU core的個數來決定， 我的CPU使4核， 所以-j4.

9.1. 編譯Matlab wrapper

執行如下命令

make matcaffe

然后就可以跑官方的matlab demo啦。

9.2. 編譯Python wrapper

make pycaffe

然后基本就全部安裝完拉.

接下來大家盡情地跑demo吧～

----------------------------------

10. 安裝cuDNN

為了加速Caffe，可以安裝cuDNN，參見這篇文章：NVIDIA CuDNN 安裝說明

11.使用MNIST數據集進行測試

Caffe默認情況會安裝在CAFFEROOT，就是解壓到那個目錄，例如：
home/username/caffe-master，
所以下面的工作，默認已經切換到了該工作目錄。下面的工作主要是，用于測試Caffe是否工作正常，不做詳細評估。具體設置請參考官網：http://caffe.berkeleyvision.org/gathered/examples/mnist.html 1. 數據預處理 可以用下載好的數據集，也可以重新下載，我網速快，這里就偷懶直接下載了，具體操作如下：$ cd data/mnist $ sudo sh ./get_mnist.sh 2. 重建LDB文件，就是處理二進制數據集為Caffe識別的數據集，以后所有的數據，包括jpe文件都要處理成這個格式 $ cd examples/mnist $ sudo sh ./create_mnist.sh （sudo sh examples/mnist/create_mnist.sh） 生成mnist-train-leveldb/ 和 mnist-test-leveldb/文件夾，這里包含了LDB格式的數據集 PS: 這里可能會遇到一個報錯信息： Creating lmdb... ./create_mnist.sh: 16: ./create_mnist.sh: build/examples/mnist/convert_mnist_data.bin: not found 解決方法是，直接到Caffe-master的根目錄執行，實際上新版的Caffe，基本上都得從根目錄執行。 ~/caffe-master$ sudo sh examples/mnist/create_mnist.sh

3. 訓練mnist $ sudo sh examples/mnist/train_lenet.sh至此，Caffe安裝的所有步驟完結，下面是一組簡單的數據對比，實驗來源于MNIST數據集，主要是考察一下不同系統下CPU和GPU的性能?？梢钥吹矫黠@的差別了，雖然MNIST數據集很簡單，相信復雜得數據集，差別會更大，Ubuntu+GPU是唯一的選擇了。
????????????????
測試平臺：
i7-4770K/16G/GTX 770/CUDA 6.5MNIST Windows8.1 on CPU：620sMNIST Windows8.1 on GPU：190sMNIST Ubuntu 14.04 on CPU：270sMNIST Ubuntu 14.04 on GPU：160sMNIST Ubuntu 14.04 on GPU with cuDNN：35sCifar10_full on GPU wihtout cuDNN：73m45s = 4428s　（Iteration 70000）Cifar10_full on GPU with cuDNN：20m7s = 1207s　（Iteration 70000）

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的Caffe+UbuntuKylin14.04_X64+CUDA 6.5配置的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。