Ubuntu14.04 Caffe安装
Caffe简介
Caffe全称Convolutional Architecture for Fast Feature Embedding，是一个计算CNN相关算法的框架。就目前来说是deeplearning最流行的开源的框架，所以使用的人也是最多的。
caffe网址：http://caffe.berkeleyvision.org/
github网址：https://github.com/BVLC/caffe/
安装环境
系统：Ubuntu14.04 Desktop x64（建议使用刚安装好的系统，同时不要更新，不然会影响后面的某些环节）
显卡：支持CUDA的显卡，当然这个不是必须的
依赖程序
基本包
安装开发需要的一些基本包
sudo apt-get update
sudo apt-get install build-essential
sudo apt-get install gfortran ## python中安装scipy需要依赖gfortran注：Ubuntu默认环境虽然已经有gcc，但并没有提供C/C＋＋的编译环境，单独安装编译环境比较复杂，所以提供了build-essential命令一键来构建所需的编译环境。
CUDA（可选）
cuda在caffe编译和使用中不是必须的，如果实在没有支持cuda的显卡或者只想尝试一下caffe，不需要用它来进行复杂的训练，不安装也可以。
安装链接：http://blog.csdn.net/honyniu/article/details/46387429
CuDNN（可选）
这个库是基于cuda，当然也是可选的。
安装链接：http://blog.csdn.net/honyniu/article/details/46388241
BLAS（必选）
这个库提供了caffe需要的一些基本的矩阵和向量库，这个是必选的。
安装链接：http://blog.csdn.net/honyniu/article/details/46388915
OpenCV（必选）
OpenCV提供了图像处理和计算机视觉的库，在caffe使用中是必须的，同时最好自己编译安装。
安装链接：http://blog.csdn.net/honyniu/article/details/46390097
其他依赖项
caffe需要一些特定的数据库的操作， 因此需要安装leveldb， lmdb， hdf5等库。 此外， caffe采用了google的一些库， 比如protobuf以及glog， 这些也需要安装，命令如下。
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libboost-all-dev libhdf5-serial-dev libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compilerMatlab和python
这两个不是必须的，但是caffe提供了bash、matlab和python的接口，同时caffe许多的可视化接口都是通过python实现的，推荐安装。
matlab在这里使用的是Matlab-R2014A，这里就不讲怎么安装得了，自己去百度教程，默认安装即可，安装在’/usr/local/MATLAB’目录下。
ubuntu默认安装的2.7的版本但是为了安装Python开发环境，方便今后编译其他扩展库，命令如下
sudo apt-get install python-devpython是使用的虚拟环境，具体虚拟环境的构建见http://blog.csdn.net/honyniu/article/details/46382929
激活虚拟环境
source ENV/bin/activate安装编译pycaffe的依赖包， 进入caffe安装目录中的python文件夹， 你会看到一个requirements.txt， 首先， 修改protobuf那一行为protobuf==2.5.0, 然后执行下面命令：
for req in $(cat requirements.txt); do pip install $req; done这里我们没安装caffe推荐的anaconda包， 因为安装之后进不去桌面。而且anaconda包只是一个自带了requirements.txt中所有选项的python集合库， 将上面的库安装好之后， 不装anaconda没有任何影响。
配置编译
caffe程序
可以去上面的caffe的github网址把caffe最新代码下载下来，也可以使用git命令获取，如下
git clone https://github.com/BVLC/caffe.gitcaffe配置
终于到了最后的一步了，如果安装好了上面的所有的caffe的依赖，那么下面就可以对caffe进行配置和编译了。
首先拷贝生成所需要的’Makefile.config’文件，caffe安装包下面给提供了example，注意直接拷贝下面的可能会报错，因为每一行命令的后面不能有空白的字符串，有可能会导致编译不通过。
cp Makefile.config.example Makefile.config然后对该’Makefile.config’文件根据自己的需求进行修改，下面是我的配置以及一些注释。
## 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 #如果没有安装cudnn的注掉
# CPU-only switch (uncomment to build without GPU support).
# CPU_ONLY := 1 #如果没有安装cuda，不是要GPU的设置开启
# 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默认安装目录（其实是软链接），一般不需要修改，但如果没有安装cuda需要注掉
# 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 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_50,code=compute_50
# BLAS choice:
# atlas for ATLAS (default)
# mkl for MKL
# open for OpenBlas
BLAS := mkl #这里使用的是Intel MKL，如果使用的ATLAS，请自行修改
# Custom (MKL/ATLAS/OpenBLAS) include and lib directories.
# Leave commented to accept the defaults for your choice of BLAS
# (which should work)!
BLAS_INCLUDE := /opt/intel/mkl/include #如果是atlas，这两个路径要注掉
BLAS_LIB := /opt/intel/mkl/lib/intel64
# 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/R2014a #Matlab的路径，没安装Matlab或者不需要编译该接口可以注掉
# 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.
#设置是python库的路径，使用的是虚拟环境capy这里就是一直提到的ENV，有时候可能不起作用，还是会报错，不知道为什么，那就设置下面的export，一般就没问题了。
PYTHON_INCLUDE := /home/huayong/capy/include/python2.7 \
/home/huayong/capy/lib/python2.7/site-packages/numpy/core/include
#If it doesn't work above, you can try this below.
export CPLUS_INCLUDE_PATH=/home/huayong/capy/include/python2.7:/home/huayong/capy/lib/python2.7/site-packages/numpy/core/include
# Anaconda Python distribution is quite popular. Include path:
# Verify anaconda location, sometimes it's in root.
# ANACONDA_HOME := /home/wenzheng/anaconda
# PYTHON_INCLUDE := $(ANACONDA_HOME)/include \
# $(ANACONDA_HOME)/include/python2.7 \
# $(ANACONDA_HOME)/lib/python2.7/site-packages/numpy/core/include \
# We need to be able to find libpythonX.X.so or .dylib.
PYTHON_LIB := /usr/lib/x86_64-linux-gnu
# PYTHON_LIB := $(ANACONDA_HOME)/lib
# Uncomment to support layers written in Python (will link against Python libs)
WITH_PYTHON_LAYER := 1
# Whatever else you find you need goes here.
# INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
# LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib
# 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
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
# enable pretty build (comment to see full commands)
Q ?= @caffe编译
基本的编译，j代表是多线程编译，一般前两个命令不会出错，最后一个可能会出错，但有时候也不影响使用。
make all -j8
make alltest -j8
make runtest编译matlab和python接口，这个当然不是必须的，看你自己的需求。
make pycaffe
make matcaffe结束语
到这来我们就成功编译好了caffe，那么下面就要开始真正的caffe使用之旅了。下面有时间会把自己学习使用caffe的一些过程写下来，包括训练测试caffe提供的examples，caffe的可视化，运行一些caffe经典的例子（如R-CNN）。