Ubuntu18.04 + CUDA + cuDNN + Opencv + Caffe
因为用了18.04 以及 opencv4 cuda10 一切都变了，尤其是caffe的安装
所以下来给出最新的，具体需要根据自身实际情况略加修改，比如相应的文件目录位置等，大体不变，主要参考的是linux公社的两篇博文，希望等帮到大家。
需要注意的是ubuntu18.04下显卡驱动的安装请参考https://blog.csdn.net/Haku_yyf/article/details/90260639
cuda推荐使用.run文件安装（别选驱动，因为我们已经手动安装了，会有冲突，其他默认接受就可以）
cudnn环境配置等还是参考我原来的方法：https://blog.csdn.net/Haku_yyf/article/details/83894110
#######################################################################################
Opencv4.1:
sudo apt-get install libcanberra-gtk-module
sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main"
sudo apt update
sudo apt install libjasper1 libjasper-dev
https://www.linuxidc.com/Linux/2019-05/158419.htm
Caffe:
https://www.linuxidc.com/Linux/2019-05/158422.htm
安装完以后完成的测试代码没跑通，因为opencv版本的问题，api接口不对，看一下报错的文件，把对应文件中的代码用编译安装时候使用的sed命令（上面链接里面的几条sed命令）替换一下就可以了。完美运行测试程序。这已经是我第二次安装成功了，第一次是在16.04上，这次是18.04，但是这只是最原始的caffe，后面学习faster-rcnn等算法的时候，编译不通，我估计是因为opencv，cuda，g++等版本都太高了，这也是caffe的痛点，看起来使用起来简单，但要用别人的代码配置太痛苦了，除非是c/c++大神，而且还会cuda编程，就这也要看各个依赖库的版本吧，我是用不来，怪不得从16年之后就慢慢没落了，感觉研究研究源码还是有意义的，非要跑通部署这些真的算了。或者你觉得docker caffe这样搭配好用也可以，我简单看了下，没有深入研究。感觉现在无论tf, 还是pytorch感觉都有替代方案，不是说非要caffe。
加油↖(^ω^)↗
##################################################################
##########################下面是原本的16.04的，可以参考，###########
1安装依赖：
Ubuntu16.04系统
如果你之前已经编译安装过opencv请先卸载干净（卸载参考）
CUDA + cuDNN 请参考我之前的一篇博客（参考博客）#这里我已经安装了最新的CUDA10.0，以及相应的最新的cuDNN。
安装opencv依赖库
sudo apt-get update
sudo apt-get upgrade
sudo apt-get install cmake
sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg.dev libtiff4.dev libswscale-dev libjasper-dev libopencv-dev
sudo apt install ffmpeg
安装caffe依赖库
(1) 安装最新的ZLIB库，因为编译caffe需要1.2.9以上的ZLIB库，Ubuntu16.04自带的版本低于这个版本，我们从源码安装最新的即可：
下载ZLIB源码（tar.gz）
编译安装ZLIB：
cd path/to/zlib #切换到解压后的安装文件目录
sudo ./configure
sudo make
sudo make install
（2）安装其他依赖包：
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
2脚本安装Opencv：
从Github下载安装脚本：
git clone https://github.com/jayrambhia/install-opencv安装：
cd Ubuntu
sudo chmod +x *
sudo ./opencv_latest.sh静静的等它安装完成就可以了！
使用下面命令检查opencv版本
pkg-config --modversion opencv3编译安装Caffe：
（1）从Github下载caffe源码：
git clone https://github.com/BVLC/caffe（2）修改Makefile.config:
因为make指令只能make Makefile.config文件，而源码里只给出了Makefile.config.example的示例文件。因此，首先应该将Makefile.config.example的内容复制到Makefile.config:
cd caffesudo cp Makefile.config.example Makefile.config打开并修改配置文件：
sudo vim Makefile.config #打开Makefile.config文件，根据个人情况进行修改a. 若使用cudnn, 则将
#USE_CUDNN:=1
修改成：
USE_CUDNN:=1
b. 因为我们安装的是最新的CUDA10.0，所以要设置CUDA_ARCH，将
CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \
-gencode arch=compute_20,code=sm_21\
这两行注释或者直接删除，注意注释后在第三行重新加上开头的 CUDA_ARCH :=
c. 若使用的opencv版本是3，则将
#OPENCV_VERSION:=3
修改为：
OPENCV_VERSION:=3
d. 若要使用python来编写layer，则将
#WITH_PYTHON_LAYER:=1
修改成：
WITH_PYTHON_LAYER:=1
e. 很重要的一项，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:= $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial
这是因为Ubuntu16.04的文件包含位置发生了变化，尤其是需要用到的hdf5的位置，所以需要更改这一路径。
（3）修改Makefile文件
打开Makefile文件，做如下修改，将：
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC$(COMMON_FLAGS)
替换为：
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
最后： 编辑/usr/local/cuda/include/host_config.h 将
#error-- unsupported GNU version! gcc versionslater than 4.9 are not supported!
改为：
//#error-- unsupported GNU version! gcc versionslater than 4.9 are not supported!
（4）编译
sudo make all -j4(5) 测试
sudo make runtest
如果如图显示一片绿，那就说明配置成功了！
4 MNIST手写数字识别
配置好caffe后，我们可以利用MNIST数据集对caffe进行测试，过程如下：
cd ~/caffe下载数据
./data/mnist/get_mnist.sh将数据转换为Lmbd数据库格式
./examples/mnist/create_mnist.sh训练网络
./examples/mnist/train_lenet.sh 训练结果如图所示
参考博客：https://blog.csdn.net/yggaoeecs/article/details/79163789