Caffe的安裝相比于CUDA簡單不少，但是還是踩了幾個坑，下面簡單總結下Caffe的安裝過程。
cuDNN是GPU加速計算深層神經網絡的庫。 首先去官網(https://developer.nvidia.com/rdp/cudnn-download)下載cuDNN,根據提示下載對應的版本號如下圖： 
為了穩妥期間我沒有下載最近的版本，下載了cuDNN5.0。 下載解壓，指令如下
解壓后文件包含如下幾項： *cuda/include/cudnn.h cuda/lib64/libcudnn.so cuda/lib64/libcudnn.so.5 cuda/lib64/libcudnn.so.5.0.5 cuda/lib64/libcudnn_static.a* 繼續執行以下指令：
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/sudo chmod a+r /usr/local/cuda/include/cudnn.hsudo chmod a+r /usr/local/cuda/lib64/libcudnn*復制到cuda對應的include和lib64文件目錄中去。
從官網(http://opencv.org/downloads.html)下載OpenCV,并將其解壓到你要安裝的位置，假設解壓到了/home/opencv。 安裝前準備，創建編譯文件夾：
cd ~/opencvmkdir buildcd build配置：
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..編譯：
make -j8 #-j8-j8表示并行計算，根據自己電腦的配置進行設置，配置比較低的電腦可以將數字改小或不使用，直接輸make。 編譯make過程中會出現錯誤，graphcuts中的變量未聲明，是因為opencv3.1還不支持cuda8.0，需要對其中的grapcuts.cpp進行更改： 
然后重新編譯一下，即可成功。 以上只是將opencv編譯成功，還沒將opencv安裝，需要運行下面指令進行安裝：
首先，新建一個opencv的工作目錄，進入后新建一個cpp文件。
mkdir ～/testcd testgedit DisplayImage.cpp編輯如下代碼：
#include <stdio.h>#include <opencv2/opencv.hpp>using namespace cv;int main(int argc, char** argv ){ if ( argc != 2 ) { printf("usage: DisplayImage.out <Image_Path>/n"); return -1; } Mat image; image = imread( argv[1], 1 ); if ( !image.data ) { printf("No image data /n"); return -1; } namedWindow("Display Image", WINDOW_AUTOSIZE ); imshow("Display Image", image); waitKey(0); return 0;}接著，在當前目錄下創建CMake編譯文件
gedit CMakeList.txt編輯如下內容：
cmake_minimum_required(VERSION 2.8)project( DisplayImage )find_package( OpenCV REQUIRED )add_executable( DisplayImage DisplayImage.cpp )target_link_libraries( DisplayImage ${OpenCV_LIBS} )然后，編譯：
cmake .make此時已經生成可執行bin文件，下載lena.jpg放在opencv-lena下。執行：
./DisplayImage lena.jpg最后顯示得到結果 
顯示成功，即表明opencv安裝成功。
安裝caffe前要安裝一些依賴項，照著下面的步驟依次安裝即可。 1) 安裝依賴項
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compilersudo apt-get install --no-install-recommends libboost-all-dev2) 安裝BLAS
sudo apt-get install libatlas-base-dev3) 安裝pycaffe接口所需要的依賴項
sudo apt-get install -y python-numpy python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags cython ipython4) 繼續gflags,glog等依賴項
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev5） 下載caffe并編譯 在主目錄下新建一個caffe的文件目錄，按照下面順序進行安裝配置。
(1)將終端cd到要安裝caffe的位置。
(2)從github上獲取caffe：
git clone https://github.com/BVLC/caffe.git注意：若沒有安裝Git，需要先安裝Git：
sudo apt-get install git(3)因為make指令只能make Makefile.config文件，而Makefile.config.example是caffe給出的 makefile例子，因此，首先將Makefile.config.example的內容復制到Makefile.config：
sudo cp Makefile.config.example Makefile.config(4)打開并修改配置文件：
sudo gedit Makefile.config #打開Makefile.config文件針對需求修改幾項即可，如下：
a.若使用cudnn，則
將#USE_CUDNN := 1
修改成：
USE_CUDNN := 1
b.若使用的opencv版本是3的，則
將#OPENCV_VERSION := 3去掉修改為：
OPENCV_VERSION := 3
c.若要使用python來編寫layer，則
將#WITH_PYTHON_LAYER := 1去掉#號修改為
WITH_PYTHON_LAYER := 1
然后開始編譯：
make all -j16make runtest -j16編譯過程中會報錯，如下
error while loading shared libraries:libcudart.so.8.0: cannot open shared object file: No such file or directory這是因為沒cuda的lib路徑沒添加上，終端寫入命令：
sudo ldconfig /usr/local/cuda/lib64或者
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH重新編譯即可。 
到目前位置caffe配置完畢，然后用Mnist數據集進行測試。
安裝完成后，下載mnist數據進行測試，過程如下：
1）將終端定位到Caffe根目錄
cd ~/caffe
2）下載MNIST數據庫并解壓縮
./data/mnist/get_mnist.sh
3）將其轉換成Lmdb數據庫格式
./examples/mnist/create_mnist.sh
4）訓練網絡
./examples/mnist/train_lenet.sh。最終得到如下的結果 
我們可以看到最后的精度數值為0.991，說明訓練成功。
至此，用兩篇博客詳細記錄了在Ubuntu14.04系統下Cuda和Caffe的配置過程，期間的各種折磨和痛苦無以言表，最終還是成功了，可以開始在此框架下進行深度學習的大展拳腳了。
新聞熱點
疑難解答
