64位Ubuntu 14.04 LTS + Caffe + CUDA 7.5 + Opencv 3.0 安装配置实战

本文主要笔记自己在ubuntu 14.04.4 LTS版本系统上搭建开源深度学习[Deep Learning]框架: Caffe的详细过程。其中主要包含了Nvidia CUDA 7.5、opencv 3.0、cuDNN的安装配置过程及所遇问题的解决方案。

安装的过程中遇到了很多问题，感谢开源社区、感谢Github大神们的分享，学会分享就是很大的善良。

¶情况说明

在搭建该框架前，本系统已经使用Ubuntu自带的"附件驱动"安装了开源驱动，看过网上的很多教程之后，还是毅然决然地卸载这些开源驱动，换回了自带默认的"Nouveau Display Driver"驱动以供基本显示使用（注意：此时安装的Nvidia推荐驱动还没有完全卸载，即尚未安装GPU）。

这些说明很重要！由于大神的通力劳作，使得现在按照官网安装最新版的Caffe，变得很简单了，下面我们开始一步步的安装吧。

¶Caffe 安装

根据我们前面的情况说明，我们现在机器上没有GPU，按照官网的Caffe官网安装教程，我们先一步步地进行，之后安装完GPU（CUDA）后再重新编译即可，不用担心。

(1). 安装依赖库（一）

1
2
3

$ 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

(2). 安装BLAS

也可以安装OpenBLAS或者MKL，以加速CPU性能（有GPU的童鞋可以忽略），这里我按照官网装了BLAS，有兴趣的童鞋可以自己研究另外两种，只需在最后编译caffe的时候修改一下配置文件即可。

1	$ sudo apt-get install libatlas-base-dev

(3). Python安装

Ubuntu 14.04 自带Python 2.7 ，无需自行安装。可以自测：$ python，进入python环境后会有版本提示；如果未出现请使用如下命令进行安装：

1	$ sudo apt-get install python

(4). Opencv3.0安装

安装方法详见： ubuntu14.04 LTS系统中Opencv 3.0开发环境的搭建，Opencv必须安装，且版本需要大于2.4。—[来自官网说明]

(5). 安装依赖库（二）

1	$ sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

(6). Caffe下载

使用git进行下载，直接从github上下载最新版本，下载前切换至home目录。注：git的使用方法可参看：我的vim配置（.vimrc：git+github管理），这篇文章内容进行安装配置。clone后在home中便可以找到Caffe的下载目录了。

1 2	$ cd $ git clone git://github.com/BVLC/caffe.git

(7). 编译Caffe前准备

修改Makefile文件，最新版的Caffe已经帮我们修改好了，可以跳过；如果使用以前的版本则仍需要修改，这个可以自行Google。
修改caffe/examples/cpp_classification/classification.cpp文件，加入：

1 2	#include <opencv2/imgproc/types_c.h> #include <opencv2/objdetect/objdetect.hpp>

(8). 编译Caffe

$ cd ~/caffe
$ cp Makefile.config.example Makefile.config 

# 修改Makefile.config文件：如果没有GPU，则去掉CPU_ONLY:= 1的注释
# 如果安装了Opencv3.0,去掉 OPENCV_VERSION := 3的注释

$ make all 
# 到这一步可能会出现，缺少cublas_v2.h的错误提示，先不用管，这时以下两步也不需要执行了，这是由于未安装cuda造成的。

$ make test 
$ make runtest

Makefile配置图

¶Nvidia显卡驱动及Cuda 7.5 的安装

如果你的机器还没有装GPU，请直接忽略这一步和cuDNN安装

（1）. 验证你的gpu支持是否支持Cuda

打开支持Cuda运算的Gpu列表，只要你的GPU在里面找得到就没问题。

（2）. 查看当前使用显卡

在终端输入以下命令，确认当前使用的是独立显卡，如果使用的是集显，则需要在开机时进入BIOS关闭集显。

1	$ lspci \| grep -i nvidia

CUDA-显示效果

（3）. 确认你的系统是X86架构，可通过下面的命令查询

1	$ uname -m && cat /etc/*release # 显示X86_64和系统信息即可

CUDA-显示结果

（4）. 安装gcc

Ubuntu 14.04已经自带gcc 4.8.5，无需自行下载，检查gcc版本可通过如下方法：

1	$ gcc --version

CUDA-GCC-version

如果发现还没安装gcc，可以执行：$ sudo apt-get install gcc-版本号

（5）. 下载Cuda
Cuda可以直接到Nvidia官网下载，下面官网的下载地址，有两种安装方式（.run 和 .deb），这里只介绍后者，因为比较简单易行。这里选择下载信息如下图：

这里给出我的百度云盘下载地址： 链接：http://pan.baidu.com/s/1c7nR9G 密码：sp7z

CUDA-Nvidia官网

（6）. 验证Cuda安装包

1	$ md5sum 你的filename

如果下载没出错，那得到的MD5序列号和上图中是一致的，否则只能重新下载。

（7）. 卸载旧版本Nvidia

根据官网介绍，之前安装的版本都会有冲突的嫌疑。卸载命令：

1	$ sudo apt-get --purge remove nvidia*

（8）. 安装Cuda

cd切换至cuda安装包所在的目录，执行以下命令：

1
2
3

$ sudo dpkg -i cuda-repo-ubuntu1404-7-5-local_7.5-18_amd64.deb
$ sudo apt-get update
$ sudo apt-get install cuda

（9）. 添加环境变量

$ sudo vim /etc/profile # 在末尾添加（注意自己的Cuda版本）：

# export PATH=/usr/local/cuda-7.5/bin:$PATH
# export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH

$ source /etc/profile
$ sudo reboot

（10）. 安装例程

例程本来在/usr/local/cuda-7.5/samples路径下，但不可写，使用如下命令进行复制：

1	$ cuda-install-samples-7.5.sh ~/cuda

（11）. 查看GPU驱动版本、Cuda版本：

正常安装的话，会出现版本信息，如果没出现说明安装出错，官网教程说的很清楚。

1 2	$ cat /proc/driver/nvidia/version $ nvcc -V

nvidia-version

（12）. 编译例程

cd进NVIDIA_CUDA-7.5_Samples中make:

1 2	$ cd ~/cuda/NVIDIA_CUDA-7.5_Samples $ make

编译结果在 ~/NVIDIA_CUDA-7.5_Samples/bin/x86_64/linux/release中

（13）. 执行编译结果，确认安装配置

1 2	$ cd $ ./cuda/NVIDIA_CUDA-7.5_Samples/bin/x86_64/linux/release/deviceQuery

顺利的话如下图所示，若出错可参考此处

CUDA-deviceQuery

（14）. bandwidthTest确认

1	$ ./cuda/NVIDIA_CUDA-7.5_Samples/bin/x86_64/linux/release/bandwidthTest

确认结果如下图所示则安装成功：

CUDA-bandwidthTest

¶安装cuDNN

（1）. 下载cuDNN

可以从英伟达官网下载，一般注册第二天就通过。

注意，建议使用cudnn v3 或 cudnn v2版本，我试验的v5最新版一直报错。

这里给出我的百度云盘下载地址：
链接：http://pan.baidu.com/s/1c2p8NcO 密码：em3w

（2）. 安装
解压下载好的文件，一般在文件所在的目录会出现一个cuda的新文件夹：

$ tar -xzvf cudnn-7.5-linux-x64-v3.0-rc.tgz
$ cd cudnn/lib64/
$ sudo cp lib* /usr/local/cuda/lib64/
$ cd ..
$ cd include
$ sudo cp cudnn.h /usr/local/cuda/include

（3）. 重新编译caffe
在~/caffe/Makefile.config中，去掉 USE_CUDNN := 1的注释，重新加上CPU_ONLY:= 1的注释然后重新编译caffe即可。

$ make clean # 第一次编译不用这句，出错时也可使用这句。
$ make all
$ make test
$ make runtest

¶注意

当进行 make all 操作时，可能会出现如下错误：

CXX/LD -o .build_release/tools/convert_imageset.bin
.build_release/lib/libcaffe.so: undefined reference to cv::imread(cv::String const&, int)’
.build_release/lib/libcaffe.so: undefined reference tocv::imencode(cv::String const&, cv::_InputArray const&, std::vector >&, std::vector > const&)’

原因就是opencv3.0.0把imread相关函数放到imgcodecs.lib中了，而非原来的imgproc.lib

解决办法：修改Makefile文件（不是Makefile.config）：

在位置{ (LIBRARIES += glog gflags protobuf leveldb snappy lmdb boost_system hdf5_hl hdf5 m opencv_core opencv_highgui opencv_imgproc opencv_imgcodecs) }处添加opencv_imgcodecs

修复错误重新执行上述代码，成功后的截图如下所示：

CUDA-runtest

¶配置pycaffe

（1）. 安装依赖库

1
2
3

$ sudo apt-get install python-numpy python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags Cython ipython

$ sudo apt-get install protobuf-c-compiler protobuf-compiler

（2）. 编译

进入caffe目录，编译pycaffe

1 2	$ cd ~/caffe $ make pycaffe

（3）. 修改环境变量

添加caffe目录下的python地址到$PYTHONPATH

1
2
3

$ sudo gedit /etc/profile # 末尾添加： export PYTHONPATH = caffe目录下的python地址:$PYTHONPATH，用完整路径，不要用~

$ source /etc/profile # 使之生效

（4）. 测试

在terminal进入python,import caffe 如果没错说明安装成功，效果如图：

¶使用MNIST数据集进行测试

切换至caffe目录下，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：MNIST数据集在Caffe中的测试。

数据预处理

1	$ sh data/mnist/get_mnist.sh

重建lmdb/leveldb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。

1	$ 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

1	$ sh examples/mnist/train_lenet.sh

这时你会在终端窗口中看到caffe的训练过程

CUDA-training

¶使用CIFAR-10数据集进行测试

CIFAR-10数据集: 含有6万个32*32的彩色图像，共分为10种类型，由 Alex Krizhevsky, Vinod Nair和 Geoffrey Hinton收集而来。包含50000张训练图片，10000张测试图片, 详细参考地址见: The CIFAR-10 dataset

首先切换至caffe目录下: $ cd caffe;
准备数据集( 在caffe目录下执行): $ ./data/cifar10/get_cifar10.sh;
执行: ./examples/cifar10/create_cifar10.sh ## 将图片库转成leveldb格式，并计算均值二进制文件;
模型训练: ./examples/cifar10/train_quick.sh

结果如下图所示:

CUDA-cifar10-caffe

¶参考文献

(1): http://caffe.berkeleyvision.org/install_apt.html
(2): http://blog.csdn.net/mduanfire/article/details/50931989
(3): http://blog.csdn.net/mduanfire/article/details/50492939
(4): https://developer.nvidia.com/cuda-gpus
(5): https://developer.nvidia.com/cuda-toolkit
(6): http://docs.nvidia.com/cuda/cuda-getting-started-guide-for-linux/index.html#running-binaries__valid-results-from-sample-cuda-devicequery-program
(7): https://developer.nvidia.com/cudnnhttp://caffe.berkeleyvision.org/install_apt.html
(8): https://developer.nvidia.com/cudnn
(9): http://blog.csdn.net/u013915633/article/details/49867947
(10): http://www.th7.cn/system/lin/201504/103304.shtml
(11): https://github.com/Zhangjd/graduation-project/issues/1
(12): https://github.com/BVLC/caffe/issues/2348

END