ubuntu14.04+cuda7.5+opencv3.0+cudnn+mkl+caffe
最近在配置caffe,出了许多的问题，今天终于解决了，感谢各位大神的博客，在文中会一一点出来。
1.安装ubuntu 14.04
我的机器是Thinkpad E430（很古老了），显卡是intel+GT610（垃圾老显卡），别安装kylin或者其他野鸡系统，不然出现的问题会是安装完cuda之后在登陆界面卡住或者是进不去屏幕黑掉进不了桌面。一定要去官网下载正版的ubuntu刻盘安装。
2.安装cuda
网上有很多教程，各有不一。我是使用离线deb包安装的方法。首先按照屏蔽nouveau显卡，进入tty,关掉lightdm。有人说使用这种方法不需要第一步，我反正是进行了的。参考博客http://www.bubuko.com/infodetail-1270886.html和博客http://blog.csdn.net/ice_moyan/article/details/47066757
gedit /etc/modprobe.d/blacklist.conf 加入 blacklist nouveau options nouveau modeset=0 保存之后 update-initramfs -u
- 1
- 2
- 3
- 4
- 5
下载cuda*.deb包，https://developer.nvidia.com/cuda-downloads/
选择合适的版本，然后进入目录
dpkg -i cuda-repo-ubuntu1404-7-5-local_7.5-18_amd64.deb apt-get update apt-get install cuda
- 1
- 2
- 3
如果不使用第二句话更新源的话，安装cuda就会出错。接下来加入path。
vim /etc/profile 加入下面两行 PATH=/usr/local/cuda-7.5/bin:$PATH LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH 执行下面的命令使之生效 ldconfig
- 1
- 2
- 3
- 4
- 5
- 6
检验cuda安装成功与否
cd /usr/local/cuda/samples/ make 例子编译好之后，在samples下面的子文件bin/x86_64/linux/release中，运行编译好的可执行程序 cd bin/x86_64/linux/release ./deviceQuery 如果信息显示如下,则说明安装成功，如果最后是FAIL，则安装失败，卸载重装。 ``` 3.安装mkl 用教育网邮箱去官网注册获得序列号并下载 https://software.intel.com/en-us/intel-mkl/. 下载完成之后解压，进入文件夹目录 <div class="se-preview-section-delimiter"></div>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
./install_GUI.h
根据说明一步步走就行了，路径最好默认不要修改，最后配置path。 <div class="se-preview-section-delimiter"></div>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
gedit /etc/ld.so.conf.d/intel_mkl.conf
加入下面两行
/opt/intel/lib/intel64
/opt/intel/mkl/lib/intel64
ldconfig -v
4.安装opencv3.0 参考博客http://www.tuicool.com/articles/nYJrYra 配置path. `gedit /etc/ld.so.conf.d/opencv.conf /usr/local/lib /usr/lib/x86_64-linux-gnu ldconfig -v` 5.配置运行环境 参考博客http://www.rthpc.com/plus/view.php?aid=375 caffe 运行时需要调用 cuda 和 mkl 的库，我们在 /etc/ld.so.conf.d 目录下新建一个 caffe.conf 文件，将所需要用到的库的目录写入。 <div class="se-preview-section-delimiter"></div>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
vi /etc/ld.so.conf.d/caffe.conf
/opt/intel/lib/intel64
/opt/intel/mkl/lib/intel64
/usr/local/cuda/lib64
ldconfig -v
6.caffe和cuDNN 参考博客http://www.bubuko.com/infodetail-1270886.html 先下载caffe <div class="se-preview-section-delimiter"></div>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
http://www.bubuko.com/infodetail-1270886.html
安装第三方库
apt-get install libatlas-base-dev libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler
去官网下载cuDNN7.0,解压之后 <div class="se-preview-section-delimiter"></div>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
tar xvf cudnn-7.0-linux-x64-v4.0-rc.tgz
cd cuda/include
cp *.h /usr/local/include/
cd ../lib64
cp lib* /usr/local/lib/
cd /usr/local/lib
chmod +r libcudnn.so.4.0.4
ln -sf libcudnn.so.4.0.4 libcudnn.so.4
ln -sf libcudnn.so.4 libcudnn.so
ldconfig
完成cuDNN配置接下来编译caffe <div class="se-preview-section-delimiter"></div>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
cd ~/caffe
cp Makefile.config.example Makefile.config
打开Makefile.config <div class="se-preview-section-delimiter"></div>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
gedit Makefile.config
将USE_CUDNN 行的注释符号#去除，即 USE_CUDNN := 1 按照里面的说明，使用了cudNN,去掉注释，使用opencv3.0去掉注释，使用mkl。修改参考博客http://notebk.sinaapp.com/topic/51/ubuntu12-04-caffe-cuda-6-5-opencv-2-3-1-intel-mkl 里面的内容修改。 完成之后进入 build文件夹进行编译。 <div class="se-preview-section-delimiter"></div>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
cd build
make
make test
“`
7.使用MNIST数据集进行测试
参考博客http://blog.csdn.net/ice_moyan/article/details/47066757
Caffe默认情况会安装在 CAFFEROOT，就是解压到那个目录，例如： home/username/caffe-master，所以下面的工作，默认已经切换到了该工作目录。下面的工作主要是，用于测试Caffe是否工作正常，不做详细评估。具体设置请参考官网：http://caffe.berkeleyvision.org/gathered/examples/mnist.html
- 数据预处理
$ sh data/mnist/get_mnist.sh
- 重建lmdb文件。Caffe支持三种数据格式输入网络，包括Image(.jpg, .png等)，leveldb，lmdb，根据自己需要选择不同输入吧。
$ sh 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
- 训练mnist
$ sh examples/mnist/train_lenet.sh
至此，Caffe安装的所有步骤完结，下面是一组简单的数据对比，实验来源于MNIST数据集，主要是考察一下不同系统下CPU和GPU的性能。可以看到明显的差别了，虽然MNIST数据集很简单，相信复杂得数据集，差别会更大，Ubuntu+GPU是唯一的选择了。
终于完成了，只叹喝一杯咖啡真难！
欢迎留言，本人遇到很多问题，可以和大家一起解决问题。