TSN 编译记录
TSN代码编译记录
前言
TSN 作者yjxiong etc.开源了代码并且公布了自己训练的所有模型，提供了使用GPU得到tvl1光流的方法,以及几种数据集切分的方法，比自己的渣代码顺眼很多,这个项目很赞～
TSN-Project
但是（据说但是前都是废话）,DL框架用的Caffe，提供的自然是caffemodel和prototxt文件，习惯了tensorflow和pyTorch，表示很不想用Caffe，而且工程里用到了opencv(必须是版本2.x),需要支持GPU。很麻烦，基本上要重新安装各个依赖。
很好的是，作者提供了build_all.sh脚本文件，一次安装完所有依赖。不建议直接在自己的服务器/主机上运行。建议使用docker。
当然，如果本机上使用的是caffe + CUDA8.0 + opencv-2.x(GPU support)可以考虑直接按照作者的思路
这大概是历史上最痛苦的两天….,需要用到TSN作者提供的pre-trained model on Kinetics, 然鹅TSN在服务器上各种编译不过, 整个实验工作都被blocked…，最终发现好用便捷的方案，记录如下
Temporal Segment Network编译记录
使用docker的好处就是不用担心安装失败等问题，可以尽情折腾
由于自己用的服务器上已经安装好了opencv, caffe，torch 等，且版本不同，因此最好的方案是用docker,但是TSN的作者没有提供docker镜像，有个tsn-docker的镜像里只装好了caffe,不可以用，因此主要使用以下三步进行编译
- 1.安装docker与nvidia-docker
- 2.使用docker pull 带有ubuntu16.04 + CUDA8.0 + opencv的镜像
- 3.使用nvidia-docker 与主机共享内存，clone代码编译
1.安装docker与nvidia-docker
docker
nvidia-docker
2.pull镜像
docker pull allansp84/ubuntu16.04-cuda8.0-opencv2.4.13如果速度过慢，有很多docker加速的方法
3.编译代码
运行容器， –ipc=host容器与主机共享内存,注意不要用docker运行，使用nvidia-docker, -it:链接终端 -v:映射文件夹，这样可以同步容器和主机的文件夹， bash:显示bash
nvidia-docker run -it -v ~/Code:/Code -v /DataSet:/DataSet --ipc=host allansp84/ubuntu16.04-cuda8.0-opencv2.4.13 bash进入容器后，查看显卡信息和nvcc版本是否和自己主机一致
nvidia-smi
nvcc --version若一切正常，继续，否则检查nvidia驱动和cuda8.0是否正确安装
接下来clone TSN代码
cd /Code
git clone --recursive https://github.com/yjxiong/temporal-segment-networks
cd temporal-segment-networks执行编译
bash build_all.sh如果顺利的话，终端会显示
All tools built. Happy experimenting!”
到此时，整个工程还没有完全可用
cd /lib/dense_flow/build使用编译生成的可执行文件extract_gpu来提取光流进行测试
mkdir tmp
./extract_gpu -f /DataSet/UCF-101/ApplyEyeMakeup/v_ApplyEyeMakeup_g01_c01.avi -x tmp/flow_x -y tmp/flow_y -i tmp/image -b 20 -t 1 -d 0 -s 1 -o dir如果出现莫名奇妙的问题，如果出现
1 FATAL [default] CRASH HANDLED; Application has crashed due to [SIGSEGV] signal
查看内存和CPU利用率,看是不是被这个容器阻塞
top若发现CPU利用率一直卡在100%
exit
sudo pkill -SIGHUP dockerd
docker exec -it 容器ID bash注意容器ID可以通过
docker ps -a查看
如果tmp文件夹里出现压缩包，说明提取光流方法正确，接下来真的是
Happy experimenting!
遇到的问题
1.CUDA/NVCC 版本问题
TSN编辑需要CUDA8.0
首先用nvcc查看版本
nvcc --version若版本为8.0，正常，若安装了8.0后但nvcc显示7.5/9.0 等版本，说明没有正确链接到nvcc,首先进入cuda文件夹查看是不是有nvcc文件
cd /usr/local/cuda/bin若有，则
sudo gedit ~/.bashrc在末尾加入
export PATH=$PATH:/usr/local/cuda/bin这时候再使用
nvcc --version就可以正常查看了～
2.opencv冲突
虽然项目中的opencv编译时候是在本地，但是在使用densor_flow的时候，会链接到opencv(GPU Support),出现诸如nvcc xxxxxxx或者 no gpu …. 或者 cuda…等等原因均是因为自己安装的opencv版本不对或者没有添加gpu支持，且加了全局symbol。
解决方案
1.卸载之前版本，安装opencv2.4.13(GPU support)
2.使用docker
其它问题
其它问题过多…..，有各种各样的原因，主要原因是已经配好了很多依赖库，或者.so文件链接失效等等….. 这里不再一一列出
ETC…
我最近如果有时间将我配置好的容器打包成镜像发布～