深度学习框架Caffe的编译安装
深度学习框架caffe特点，富有表达性、快速、模块化。下面介绍caffe如何在Ubuntu上编译安装。
1. 前提条件
安装依赖的软件包：
- CUDA 用来使用GPU模式计算.
- 建议使用 7.0 以上最新的版本
- BLAS via ATLAS, MKL, or OpenBLAS.
- Boost >= 1.55
protobuf,glog,gflags,hdf5
可选依赖软件包:
- OpenCV >= 2.4 including 3.0
- IO libraries:
lmdb,leveldb(note: leveldb requiressnappy) - cuDNN for GPU acceleration (v3)
编程开发接口：
Pycaffe 和 Matcaffe，各自有各自的要求：
- For Python Caffe:
Python 2.7orPython 3.3+,numpy (>= 1.7), boost-providedboost.python - For MATLAB Caffe: MATLAB with the
mexcompiler
编译版本：
cuDNN Caffe：支持CUDA和cuDNN快速操作
CPU-only Caffe：无CUDA支持，只使用CPU。可用于云和集群部署。
2. 编译
安装依赖包（boost 和 protobuf, glog, gflags, hdf5）：
sudo apt-get install libboost-all-dev libprotobuf-dev protobuf-compiler libhdf5-serial-dev libgflags-dev libgoogle-glog-dev
安装依赖包（atlas）：
sudo apt-get install libatlas-base-dev
安装依赖包（CUDA）：
下载网址： CUDA
CUDA有几种安装方式，由于文件比较大，国内有源，所以这里选择从网络安装。
下载相应的安装包，如我的是 cuda-repo-ubuntu1504_7.5-18_amd64.deb 。然后执行如下命令：
sudo dpkg -i cuda-repo-ubuntu1504_7.5-18_amd64.deb sudo apt-get update sudo apt-get install cuda
设置LD_LIBRARY_PATH，最简单的方式在你的 /etc/profile 或 ~/.bashrc 文件中添加如下语句：
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
或者执行命令 sudo vi /etc/ld.so.conf.d/cuda.conf，在文件中添加如下内容：
/usr/local/cuda/lib64
然后再执行命令：
sudo ldconfig
安装可选包（IO libraries: lmdb, leveldb (note: leveldb requires snappy) 和 opencv）：
sudo apt-get install libleveldb-dev libsnappy-dev liblmdb-dev libopencv-dev
安装CUDNN：
下载网址：CUDNN （需要注册申请，批准通过，才能下载）
解压缩下载文件，将 include 和 lib64 拷贝放置在 /usr/local/cuda 目录下即可。
执行如下命令修改链接文件：
cd /usr/local/cuda/lib64 rm -rf libcudnn.so libcudnn.so.4 ln -s libcudnn.so.4.0.4 libcudnn.so.4 ln -s libcudnn.so.4 libcudnn.so
获取源代码：
git clone git://github.com/BVLC/caffe.git
添加修改编译配置：
cp Makefile.config.example Makefile.config
vi Makefile.config
a. 启用CUDNN，去掉"#"
USE_CUDNN := 1
b. 配置一些引用文件（增加部分主要是解决新版本下，HDF5的路径问题）
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/lib/x86_64-linux-gnu/hdf5/serial/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/hdf5/serial
c.启用opencv3，如果你使用的 opencv >= 3.0.0
OPENCV_VERSION := 3
否则编译时候会报错 “ 对‘cv::imdecode(cv::_InputArray const&, int)’未定义的引用 ”
执行如下命令编译：
make all -j4 make test -j4 make runtest -j4
- 要编译使用cuDNN加速，在Makefile.config文件中，设置
USE_CUDNN := 1 - 要编译 CPU-only Caffe版本，在Makefile.config文件中，设置
CPU_ONLY := 1
要编译Python 和 MATLAB 封装包，在分别各自使用 make pycaffe 和 make matcaffe 命令编译前，确定在 Makefile.config 文件中，设置好 MATLAB 和 Python的路径。
要安装使用pycaffe，必须安装相应的python依赖包，可进入python，并执行如下命令安装：
for req in $(cat requirements.txt); do pip install $req; done
注意： 在安装python包时，可能会失败，是由于缺少相应的cpp版本，比如我的机器安装pyyaml失败，于是执行命令安装libyaml
sudo apt-get install libyaml-cpp-dev
执行如下命令编译 pycaffe：
make pycaffe -j4
在安装完成之后，如果想要导入caffePython模块，则添加模块路径到你的环境变量 $PYTHONPATH 中。比如在你的~/.bashrc中添加如下一行：
export PYTHONPATH=/path/to/caffe/python:$PYTHONPATH
3. 测试安装
下面通过运行mnist来验证caffe已正常安装：
1. 数据预处理
data/mnist/get_mnist.sh
2. 重建lmdb文件。Caffe支持多种数据格式输入网络，包括Image(.jpg, .png等)，leveldb，lmdb，HDF5等，根据自己需要选择不同输入吧。
examples/mnist/create_mnist.sh
生成mnist-train-lmdb 和 mnist-train-lmdb文件夹，这里包含了lmdb格式的数据集
3. 训练mnist
examples/mnist/train_lenet.sh