Ubuntu16.04 CUDA8.0+caffe+gpu运行环境配置
完成win10+ubuntu 16.04双系统的安装后，开始在ubuntu16.04系统上安装nVidia驱动，配置cuda，cudnn运行环境，并完成caffe成功配置+MNIST数据库测试。现在写下博客记录安装配置过程，以及对配置过程中遇到的错误提供解决办法，避免今后再配置caffe时又踩坑。
电脑配置
系统：Ubuntu16.04
GPU:NVIDIA GTX1070
一、安装nVidia驱动，配置cuda，cudnn运行环境
1.安装相关依赖项
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev> libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev如果安装错误，重新运行代码即可，保证网络畅通。
2.安装NVIDIA驱动
(1)查询NVIDIA驱动
首先去官网(http://www.nvidia.com/Download/index.aspx?lang=en-us)查看适合自己显卡的驱动：
图1.显卡驱动查询
驱动文件后缀名应当是以.run结尾的。把这个文件移动到home目录下。
我的显卡型号是GTX1070，系统是linux 64位，按照要求选择后点击search.，点击下载就好了。我下载后的驱动文件是：NVIDIA-Linux-x86_64-384.98.run。
更新：后面测试MNIST数据库时发现报了一个错，怀疑是驱动版本太新的问题，因此我又卸载了384.98，重新安装了375.82。在www.geforce.cn/drivers 下可以选择适合GTX1070的不同驱动版本，我选择了375.82。
（2）安装驱动
在终端下输入：sudo gedit /etc/modprobe.d/blacklist.conf
输入密码后在最后一行加上 blacklist nouveau 。这里是将Ubuntu自带的显卡驱动加入黑名单。
在终端输入：sudo update-initramfs -u
重启电脑~ 这里要尤其注意，安装显卡驱动要先切换到文字界面，(按Ctrl+Alt+F1~F6)。所以，启动电脑后，先进入文字界面。
然后，输入命令sudo service lightdm stop，关闭X-Win窗口。
现在可以安装驱动了，先进入家目录 cd ~ ，然后：sudo ./NVIDIA-Linux-x86_64-384.98.run，按照提示一步步来。若是没能安装，可能是权限问题， chmod 777NVIDIA-Linux-x86_64-384.98.run 修改权限后再安装。
完成后，再次重启电脑。（或者输入命令sudo service lightdm start，打开X-Win窗口，然后ALT+CTRL+F7切换回图形界面即可。）
安装完成之后输入以下指令进行验证：sudo nvidia-smi，若列出了GPU的信息列表则表示驱动安装成功。
tips:
按ALT+CTRL+F1切换到字符界面（Linux实体机）
按ALT+CTRL+F7切换到图形界面（Linux实体机）
3.安装CUDA
CUDA是NVIDIA的编程语言平台，想使用GPU就必须要使用cuda。
（1）下载CUDA
首先在官网上(https://developer.nvidia.com/cuda-downloads)下载CUDA，选择自己合适的版本。
该链接界面只显示最新版本。若需要下载以前的版本，可在页面下方点击Legacy Releases，选择自己需要的其他版本。
图2.CUDA下载
（2）安装CUDA
下载完成后执行以下命令：
sudo chmod 777 cuda_8.0.44_linux.run
sudo ./cuda_8.0.44_linux.run（注意：执行后会先出现一个声明，需要阅读到100%，同意声明后才会开始安装。）
安装时首先会有一系列提示让你确认，但是注意，有个让你选择是否安装nvidia361驱动时，一定要选择否：
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?因为前面我们已经安装了更加新的nvidia384，所以这里不要选择安装。其余的都直接默认或者选择是即可。
可能出现的错误：
安装cuda时可能有下面的信息
Installing the CUDA Toolkit in /usr/local/cuda-8.0 …
Missing recommended library: libGLU.so
Missing recommended library: libX11.so
Missing recommended library: libXi.so
Missing recommended library: libXmu.so
原因是缺少相关的依赖库,安装相应库就解决了：
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev再次安装,就不再提示了。
(3)环境变量配置
打开~/.bashrc文件： sudo gedit ~/.bashrc 将以下内容写入到~/.bashrc尾部：
export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}(4)测试CUDA的samples
cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery
make
sudo ./deviceQuery如果显示一些关于GPU的信息，则说明安装成功。
4.配置cuDNN
注意：首次配置cuDNN时我是下载的cuDNN6.0版本，但是后来在编译fast rcnn及SSD时发现有很多问题是由于cuDNN版本不匹配引起的，因此后来又手动删除掉了cuDNN6.0的include和lib文件，重新下载cuDNN5.1版本并重新编译caffe。
cuDNN是GPU加速计算深层神经网络的库。 首先去官网https://developer.nvidia.com/rdp/cudnn-download 下载cuDNN，需要注册一个账号才能下载。
图3.cuDNN下载
下载cuDNN5.1 之后进行解压：
sudo tar -zxvf ./cudnn-8.0-linux-x64-v5.1.tgz进入cuDNN5.1 解压之后的include目录，在命令行进行如下操作：
cd cuda/include
sudo cp cudnn.h /usr/local/cuda/include #复制头文件再进入lib64目录下的动态文件进行复制和链接：
（这里的libcudnn.so.5.1.10是固有文件，而libcudnn.so.5是libcudnn.so.5.1.10链接得到的动态文件，libcudnn.so是libcudnn.so.5链接得到的动态文件。）
cd ..
cd lib64
sudo cp lib* /usr/local/cuda/lib64/ #复制动态链接库cd /usr/local/cuda/lib64/
sudo rm -rf libcudnn.so libcudnn.so.5 #删除原有动态文件sudo ln -s libcudnn.so.5.1.10 libcudnn.so.5 #生成软衔接（注意这里要和自己下载的cudnn版本对应，可以在/usr/local/cuda/lib64下查看自己libcudnn的版本）
sudo ln -s libcudnn.so.5 libcudnn.so #生成软链接注意：下面这个步骤不能缺少！！否则可能链接失败！
执行
sudo ldconfig -v #必须在/usr/local/cuda/lib64/目录下执行，否则可能会报libcudnn.so.5: cannot open shared object file: No such file or directory或者
sudo ldconfig /usr/local/cuda/lib64至此，cudnn就配置完成了。
5.安装opencv3.3.0
从opencv官网找到GitHub的下载链接，下载Opencv,并将其解压到你要安装的位置，假设解压到了～/opencv。
安装前准备，创建编译文件夹：
cd ~/opencv
mkdir build
cd build 配置：
sudo apt install cmake
sudo cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local .. 编译：
sudo make -j8-j8表示并行计算，根据自己电脑的配置进行设置，配置比较低的电脑可以将数字改小或不使用，直接输make。
安装： 以上只是将opencv编译成功，还没将opencv安装，需要运行下面指令进行安装：
sudo make install二、安装Anaconda*
python好用，但是python不同版本和各种包管理很让人头疼。Anaconda是一个python的一个包装，它将一些python常用的package打包，方便pythoners直接使用。不但如此，他还有自己的安装方式conda，这里有提供各种pip里面找不到的包。
anaconda安装参照官网下载安装即可https://www.anaconda.com/download/，傻瓜式安装非常方便
安装之后在命令终端输入
$ python
Python 2.7.14 |Anaconda custom (64-bit)| (default, Oct 16 2017, 17:29:19)
[GCC 7.2.0] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> 出现上述信息，说明安装成功
重要提示：有一些软件需要py2.7的环境，比如XX-Net， 最好是先安装Anaconda2，这样系统默认的环境是py2，然后再安装Anaconda3。需要py3环境时，用 下面命令切换。
source activate py3三、配置caffe*
（1）将终端cd到要安装caffe的位置。
（2）从github上获取caffe：
git clone https://github.com/BVLC/caffe.git注意：若没有安装Git，需要先安装Git：
sudo apt-get install git（3）因为make指令只能make Makefile.config文件，而Makefile.config.example是caffe给出的makefile例子，因此，首先将Makefile.config.example的内容复制到Makefile.config：
sudo cp Makefile.config.example Makefile.config（4）打开并修改配置文件：
sudo gedit Makefile.config #打开Makefile.config文件根据个人情况修改文件：
a.若使用cudnn，则
将
#USE_CUDNN := 1
修改成：
USE_CUDNN := 1b.若使用的opencv版本是3的，则
将
#OPENCV_VERSION := 3
修改为：
OPENCV_VERSION := 3c.若要使用python来编写layer，则
将
#WITH_PYTHON_LAYER := 1
修改为
WITH_PYTHON_LAYER := 1d. 重要的一项 :
将# Whatever else you find you need goes here.下面的
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib
修改为：
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial 这是因为ubuntu16.04的文件包含位置发生了变化，尤其是需要用到的hdf5的位置，所以需要更改这一路径。
这里贴出我修改后的Makefile.config文件：
## Refer to http://caffe.berkeleyvision.org/installation.html
# Contributions simplifying and improving our build system are welcome!
# cuDNN acceleration switch (uncomment to build with cuDNN).
USE_CUDNN := 1 #使用cuDNN
# CPU-only switch (uncomment to build without GPU support).
# CPU_ONLY := 1
# uncomment to disable IO dependencies and corresponding data layers
# USE_OPENCV := 0
# USE_LEVELDB := 0
# USE_LMDB := 0
# uncomment to allow MDB_NOLOCK when reading LMDB files (only if necessary)
# You should not set this flag if you will be reading LMDBs with any
# possibility of simultaneous read and write
# ALLOW_LMDB_NOLOCK := 1
# Uncomment if you're using OpenCV 3
OPENCV_VERSION := 3 #使用openCV3
# To customize your choice of compiler, uncomment and set the following.
# N.B. the default for Linux is g++ and the default for OSX is clang++
# CUSTOM_CXX := g++
# CUDA directory contains bin/ and lib/ directories that we need.
CUDA_DIR := /usr/local/cuda #CUDA路径
# On Ubuntu 14.04, if cuda tools are installed via
# "sudo apt-get install nvidia-cuda-toolkit" then use this instead:
# CUDA_DIR := /usr
# CUDA architecture setting: going with all of them.
# For CUDA < 6.0, comment the *_50 through *_61 lines for compatibility.
# For CUDA < 8.0, comment the *_60 and *_61 lines for compatibility.
# For CUDA >= 9.0, comment the *_20 and *_21 lines for compatibility.
CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \
-gencode arch=compute_20,code=sm_21 \
-gencode arch=compute_30,code=sm_30 \
-gencode arch=compute_35,code=sm_35 \
-gencode arch=compute_50,code=sm_50 \
-gencode arch=compute_52,code=sm_52 \
-gencode arch=compute_60,code=sm_60 \
-gencode arch=compute_61,code=sm_61 \
-gencode arch=compute_61,code=compute_61 #计算能力
# BLAS choice:
# atlas for ATLAS (default)
# mkl for MKL
# open for OpenBlas
BLAS := atlas #使用哪种BLAS：atlas or mkl or openblas
# Custom (MKL/ATLAS/OpenBLAS) include and lib directories.
# Leave commented to accept the defaults for your choice of BLAS
# (which should work)!
# BLAS_INCLUDE := /path/to/your/blas
# BLAS_LIB := /path/to/your/blas
# Homebrew puts openblas in a directory that is not on the standard search path
# BLAS_INCLUDE := $(shell brew --prefix openblas)/include
# BLAS_LIB := $(shell brew --prefix openblas)/lib
# This is required only if you will compile the matlab interface.
# MATLAB directory should contain the mex binary in /bin.
# MATLAB_DIR := /usr/local
# MATLAB_DIR := /Applications/MATLAB_R2012b.app
# NOTE: this is required only if you will compile the python interface.
# We need to be able to find Python.h and numpy/arrayobject.h.
# PYTHON_INCLUDE := /usr/include/python2.7 \
# /usr/lib/python2.7/dist-packages/numpy/core/include
# Anaconda Python distribution is quite popular. Include path:
# Verify anaconda location, sometimes it's in root.
ANACONDA_HOME := $(HOME)/anaconda2 #使用anaconda，anaconda的路径
PYTHON_INCLUDE := $(ANACONDA_HOME)/include \
$(ANACONDA_HOME)/include/python2.7 \
$(ANACONDA_HOME)/lib/python2.7/site-packages/numpy/core/include #anaconda的python头文件路径
# Uncomment to use Python 3 (default is Python 2)
# PYTHON_LIBRARIES := boost_python3 python3.5m
# PYTHON_INCLUDE := /usr/include/python3.5m \
# /usr/lib/python3.5/dist-packages/numpy/core/include
# We need to be able to find libpythonX.X.so or .dylib.
# PYTHON_LIB := /usr/lib
PYTHON_LIB := $(ANACONDA_HOME)/lib #anaconda的python库目录
# Homebrew installs numpy in a non standard path (keg only)
# PYTHON_INCLUDE += $(dir $(shell python -c 'import numpy.core; print(numpy.core.__file__)'))/include
# PYTHON_LIB += $(shell brew --prefix numpy)/lib
# Uncomment to support layers written in Python (will link against Python libs)
WITH_PYTHON_LAYER := 1 #使用python层
# Whatever else you find you need goes here.
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial #头文件路径
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial #库路径
# If Homebrew is installed at a non standard location (for example your home directory) and you use it for general dependencies
# INCLUDE_DIRS += $(shell brew --prefix)/include
# LIBRARY_DIRS += $(shell brew --prefix)/lib
# NCCL acceleration switch (uncomment to build with NCCL)
# https://github.com/NVIDIA/nccl (last tested version: v1.2.3-1+cuda8.0)
# USE_NCCL := 1
# Uncomment to use `pkg-config` to specify OpenCV library paths.
# (Usually not necessary -- OpenCV libraries are normally installed in one of the above $LIBRARY_DIRS.)
# USE_PKG_CONFIG := 1
# N.B. both build and distribute dirs are cleared on `make clean`
BUILD_DIR := build
DISTRIBUTE_DIR := distribute
# Uncomment for debugging. Does not work on OSX due to https://github.com/BVLC/caffe/issues/171
# DEBUG := 1
# The ID of the GPU that 'make runtest' will use to run unit tests.
TEST_GPUID := 0 #GPU编号
# enable pretty build (comment to see full commands)
Q ?= @（5）修改makefile文件
打开makefile文件，做如下修改：
将：
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)
替换为：
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)（6）编辑/usr/local/cuda/include/host_config.h
将其中的第115行注释掉：
将
#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!
改为
//#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!（7）编译
make all -j8 #-j根据自己电脑配置决定编译过程中可能会出现如下错误：
错误内容1：
"fatal error: hdf5.h: 没有那个文件或目录"解决办法：
step1:在Makefile.config文件的第85行，添加/usr/include/hdf5/serial/ 到 INCLUDE_DIRS，也就是把下面第一行代码改为第二行代码。
将：
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
替换为：
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/stept2:在Makefile文件的第173行，把 hdf5_hl 和hdf5修改为hdf5_serial_hl 和 hdf5_serial，也就是把下面第一行代码改为第二行代码。
将：
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5
改为：
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial错误内容2：
"libcudart.so.8.0 cannot open shared object file: No such file or directory"解决办法是将一些文件复制到/usr/local/lib文件夹下：
#注意自己CUDA的版本号！
sudo cp /usr/local/cuda-8.0/lib64/libcudart.so.8.0 /usr/local/lib/libcudart.so.8.0 && sudo ldconfig
sudo cp /usr/local/cuda-8.0/lib64/libcublas.so.8.0 /usr/local/lib/libcublas.so.8.0 && sudo ldconfig
sudo cp /usr/local/cuda-8.0/lib64/libcurand.so.8.0 /usr/local/lib/libcurand.so.8.0 && sudo ldconfig（8）测试
make runtest可能遇到的错误：
"libprotobuf.so.14 cannot open shared object file: No such file or directory"输入 protoc –version 发现可以输出libprotoc的版本号，说明protobuf已经安装成功，因此应该是安装路径没有加入到配置中，找不到链接库的路径。查看发现libprotobuf.so.14已经安装在/usr/local/lib里。
注意：库搜索路径的设置有两种方式：在环境变量 LD_LIBRARY_PATH 中设置以及在 /etc/ld.so.conf 文件中设置。
一般有几种解决办法：
a. sudo gedit /etc/ld.so.conf，在文件末尾添加：
/usr/local/lib
然后：sudo ldconfig
b. sudo gedit /etc/profile，在文件末尾添加：
LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH
然后：sudo ldconfig
c. 用ln将需要的so文件链接到/usr/lib或者/lib这两个默认的目录下边：
ln -s /where/you/install/lib/*.so /usr/lib
sudo ldconfig
若是尝试了这些方法后问题还没解决，重启电脑。
如果运行之后出现下图，说明caffe配置成功。
图6.caffe测试结果
到此caffe配置完毕！
四、MNIST数据集测试
配置caffe完成后，最好利用MNIST数据集对caffe进行测试，以确定caffe是否配置好能正常运行了，再去运行其他深度学习代码。MNIST数据集测试过程如下：
1.将终端定位到Caffe根目录
cd ~/learning/caffe2.下载MNIST数据库并解压缩
./data/mnist/get_mnist.sh3.将其转换成Lmdb数据库格式
./examples/mnist/create_mnist.sh4.训练网络
./examples/mnist/train_lenet.sh训练网络时可能报错：
关于这个错误，上网搜索后发现，有人说“是因为显卡驱动版本不匹配导致的。也有可能是因为没有权限，加上sudo后重试若问题仍没有解决，则要重装低版本的驱动”。
加上sudo后发现，找不到libcudnn.so.5。
不确定是驱动问题还是cudnn链接库问题，我的解决办法是：
卸载所有驱动，然后重装375.82.版本驱动，如前面安装显卡驱动部分所说。然后再测试MNIST，发现同样的问题。最后，看到博客里有人的评论，尝试命令
sudo ldconfig /usr/local/cuda/lib64 #重要！！指明了lib的路径问题解决。得到MNIST训练结果。
原因猜测：这个问题应该不是驱动版本的问题，而是cudnn没有找到链接库的问题。虽然前面都按照要求把cudnn的include文件和lib文件加入到/usr/local/cuda/里了，但是执行 sudo ldconfig -v 时命令没有在/usr/local/cuda/lib64目录下执行，因此没能找到cudnn的链接库。
训练的时候可以看到损失与精度数值，如下图：
图7.MNIST数据集训练
可以看到最终训练精度是0.9914。
至此，运行环境配置完成。下次我们就可以开始安装运行一些最近的深度学习代码了！