Ubuntu16.04+Cuda+Caffe安装
电脑配置：Ubuntu16.04+NVIDIA TITAN XP+CUDA8.0+cudnn_v6+OpenCV3.2
在给服务器配置cuda时，使用ppa安装驱动，出现了循环登录（输入密码之后返回登录界面）问题。之后使用run文件安装并且加入不安装OpenGL的flag之后，可以避免该问题。
一、安装依赖项
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二、安装CUDA
推荐安装7+或者最新的驱动版本，Ubuntu16.04只能安装CUDA 8。
1 驱动安装的两种方法
ppa安装有时会出现循环登陆的问题，而run文件安装，nvidia-settings中不会显示显卡信息，大家权衡安装。
1.1、安装驱动之通过ppa安装（可能会循环登录）
首先卸载安装过的驱动版本:
sudo apt-get remove --purge nvidia*若电脑是集成显卡，则需要禁用lightdm（ubuntu默认的显示管理工具）：
sudo service lightdm stop使用命令行安装驱动：
sudo add-apt-repository ppa:xorg-edgers/ppa
sudo apt-get update
sudo apt-get install nvidia-375 #此处对应自己安装的的驱动版本安装完成后，注销，重新登录，执行以下指令：
sudo nvidia-smi若显示GPU的信息列表，说明驱动安装成功。
或执行
nvidia-settings可以看到本机GPU的详细信息，同样说明安装成功。
1.2 驱动安装之通过run文件安装
通过ppa安装的驱动有时会出现循环登陆的情况，这时就需要使用run文件进行安装。
到官网查询并下载本机GPU所对应的驱动，对于GeForce系列显卡，其地址为GeForce Driver。输入显卡信息，便会显示相应的驱动版本。
为了保险起见，选择375的驱动进行安装（之前使用384的驱动，通过runtest，但在train_lenet.sh时遇到错误）。
为下载的文件添加执行权限：
$sudo chmod a+x NVIDIA*.run #其中NVIDIA*为对应驱动文件的名称由于需要禁用X-server，所以按下Ctrl+Alt+F1（F1~F6均可）进入到tty1，执行：
sudo /etc/init.d/lightdm stop #禁用lightdm服务
sudo ./NVIDIA-Linux-x86_64-384.69.run -no-x-check -no-nouveau-check -no-opengl-files#非常重要！！！其中，
–no-x-check 安装驱动时关闭X服务，
–no-nouveau-check 安装驱动时禁用nouveau，
–no-opengl-files 只安装驱动文件，不安装OpenGL文件
重启，没有出现循环登陆，命令行中输入nvidia-smi，就可以看到对应的显卡信息。
但是这种方法安装的驱动，使用nvidia-settings不会显示相应的显卡，而且系统不会检测到安装了显卡驱动，所以在其他相关的程序（如nvidia-opencl）需要安装nvidia驱动时，系统会再次安装nvidia驱动，从而造成重新登录的问题，需要谨慎。
如果发生上述情况，使用sudo apt-get purge nvidia*删除所有nvidia文件，之后再次用run文件安装即可。
2、安装CUDA
在英伟达官网下载安装文件，如下图所示：
选择runfile（local）文件进行安装，这是因为deb包安装不能选择安装选项。
首先为runfile增加执行权限：
sudo chmod a+x cuda_***.run使用run文件进行安装：
sudo ./cuda_***.run首先会出现安装协议，按q直接跳到末尾（而非一直按空格），输入accept。
在选择显卡驱动的一项一定选择n。
其他默认即可。
【不推荐】使用local deb包进行安装，下载完成后，在下载文件所在目录执行以下指令进行安装：
sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda若提示某些依赖项不存在，使用apt-get install -f进行修复。
此处不需要对gcc进行降级。
3、配置环境变量
打开bashrc文件：
sudo gedit ~/.bashrc在文件末尾加入以下代码，保存
export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}设置环境变量和动态链接库，输入
sudo gedit /etc/profile 在文件末尾添加如下语句，注意等号两侧不可出现空格，否则会有语法错误。
export PATH=/usr/local/cuda/bin:$PATH保存，创建链接文件
sudo gedit /etc/ld.so.conf.d/cuda.conf在文件末尾添加
/usr/local/cuda/lib64保存、退出，执行命令
sudo ldconfig4、测试CUDA是否安装成功
选择samples文件夹下的示例进行测试
cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery #根据自己CUDA安装目录进行修改
make
sudo ./deviceQuery若显示出本GPU的相关信息，则说明安装成功。sample中的大量示例可供学习参考。
四、安装cuDNN
cuDNN是一个CUDA的深度神经网络的加速库，到官网cuDNN Download页面注册账号后，可以免费下载。
此处选择cuDNN v6.0 Library for Linux版本。
下载完成后，解压，进入include目录，执行：
sudo cp cudnn.h /usr/local/cuda/include/之后进入lib64目录下：
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.6 #删除原有动态文件
sudo ln -s libcudnn.so.6.0.21 libcudnn.so.6 #生成软衔接（注意这里要和自己下载的cudnn版本对应，其他版本可以在/usr/local/cuda/lib64下查看自己libcudnn的版本，进行相应调整）
sudo ln -s libcudnn.so.6 libcudnn.so #生成软链接五、安装OpenCV
opencv版本需高于2.4，可以使用3.0，此处使用OpenCV3.2 。
1、安装依赖项：
sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libtiff4-dev libswscale-dev libjasper-dev cmake pkg-config 2、在OpenCV官网下载安装包，解压，进入其目录：
mkdir build
cd build/
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..编译：
make -j8 #其中8指的是编译时的并行线程数，最好的选择是机器的内核数。安装：
sudo make install3、使用OpenCV中sample进行测试：
cd path_to_opencv/opencv-3.2.0/samples/cpp/example_cmake
cmake .
make
./opencv_example可以看到一张写有”Hello OpenCV”的黑色背景图片，说明OpenCV配置成功（具体结果视opencv_example的功能而定）。
六、配置Caffe
1、下载Caffe源文件：
git clone https://github.com/BVLC/caffe.git2、复制、打开Makefile.config文件
sudo cp Makefile.config.example Makefile.config
sudo gedit Makefile.config对Makefile.config进行修改：
（1）若使用cudnn，则去掉USE_CUDNN := 1之前的#（#即注释）
（2）若OpenCV版本为3.0，则去掉OPENCV_VERSION := 3之前的#
（3）若许使用Python编写layer，则去掉WITH_PYTHON_LAYER := 1之前的#
（4）找到# 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 := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial3、对Caffe目录下的Makefile文件进行修改：
将：
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)替换为：
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)4、编辑/usr/local/cuda/include/host_config.h
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!5、编译
make all -j8 #8的含义同上
make pycaffe #编译python layer
make runtest若显示通过所有测试样例，则说明安装成功。
6、使用MNIST样例进行测试
MNIST是一个手写数字的数据集，共包含数字0~9十个类，训练集、测试集分别含有60000、10000张图片。使用含有两个卷积层的LeNet模型，就可以取得很好的分类结果。
获取数据集、装换为lmdb格式，网络训练过程如下：
cd path_to_caffe/caffe #进入caffe目录中
./data/mnist/get_mnist.sh #下载mnist数据集
./examples/mnist/create_mnist.sh#将mnist数据集转为lmdb格式
./examples/mnist/train_lenet.sh #训练lenet网络训练结果如下，经过10000次迭代，可以达到99.06%的训练准确率。
参考资料
- Caffe Ubuntu安装教程
- Training LeNet on MNIST with Caffe
- Ubuntu16.04+CUDA8.0+caffe配置
- Ubuntu16.04+cuda8.0+caffe安装教程
- Ubuntu安装NVIDIA驱动后桌面循环登录问题
- 问题汇总ubuntu16.04+cuda8.0+cudnn+opencv3.2+caffe+tensorflow
- NVIDIA驱动挂掉后Ubuntu 16.04循环登陆