Deep Learning 学习总结（一）—— Caffe Ubuntu14.04 CUDA 6.5 配置
Caffe （Convolution Architecture For Feature Extraction）作为深度学习CNN一个非常火的框架，对于初学者来说，搭建Linux下的Caffe平台是学习深度学习关键的一步，其过程也比较繁琐，回想起当初折腾的那几天，遂总结一下Ubuntu14.04的配置过程，方便以后新手能在此少走弯路。
1. 安装build-essentials
安装开发所需要的一些基本包
sudo apt-get install build-essential2. 安装NVIDIA驱动
输入下列命令添加驱动源
sudo add-apt-repository ppa:xorg-edgers/ppa
sudo apt-get update安装340版本驱动（具体版本取决于电脑显卡的型号，详细可到NVIDIA官网查看）
sudo apt-get install nvidia-340安装完成后，继续安装下列包
sudo apt-get install nvidia-340-uvm安装驱动完毕，reboot.
3. 安装CUDA 6.5
CUDA的Deb包安装较为简单，按照官网流程，事先安装必要的库
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev3.1 安装CUDA
然后通过以下命令获取Ubuntu 14.04 CUDA相关的repository package
$ sudo dpkg -i cuda-repo-ubuntu1404_6.5-14_amd64.deb
$ sudo apt-get update然后开始安装CUDA Toolkit
$ sudo apt-get install cuda此时需要下载较长时间，网速较慢的中途可以出去吃个饭~
3.2 环境配置
CUDA安装完毕后，需要对.bashrc加入一下命令来配置环境
export CUDA_HOME=/usr/local/cuda-6.5
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
PATH=${CUDA_HOME}/bin:${PATH}
export PATH
3.3 安装CUDA SAMPLE
通过复制SDK samples 到主目录下，完成整个编译过程
$ cuda-install-samples-6.5.sh ~
$ cd ~/NVIDIA_CUDA-6.5_Samples
$ make如果以上过程都成功后，可以通过运行bin/x86_64/linux/release 下的deviceQuery来验证一下。如果出现以下信息，则说明驱动以及显卡安装成功
./deviceQuery Starting...
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "GeForce GTX 670"
CUDA Driver Version / Runtime Version 6.5 / 6.5
CUDA Capability Major/Minor version number: 3.0
Total amount of global memory: 4095 MBytes (4294246400 bytes)
( 7) Multiprocessors, (192) CUDA Cores/MP: 1344 CUDA Cores
GPU Clock rate: 1098 MHz (1.10 GHz)
Memory Clock rate: 3105 Mhz
Memory Bus Width: 256-bit
L2 Cache Size: 524288 bytes
Maximum Texture Dimension Size (x,y,z) 1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
Maximum Layered 1D Texture Size, (num) layers 1D=(16384), 2048 layers
Maximum Layered 2D Texture Size, (num) layers 2D=(16384, 16384), 2048 layers
Total amount of constant memory: 65536 bytes
Total amount of shared memory per block: 49152 bytes
Total number of registers available per block: 65536
Warp size: 32
Maximum number of threads per multiprocessor: 2048
Maximum number of threads per block: 1024
Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
Max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535)
Maximum memory pitch: 2147483647 bytes
Texture alignment: 512 bytes
Concurrent copy and kernel execution: Yes with 1 copy engine(s)
Run time limit on kernels: Yes
Integrated GPU sharing Host Memory: No
Support host page-locked memory mapping: Yes
Alignment requirement for Surfaces: Yes
Device has ECC support: Disabled
Device supports Unified Addressing (UVA): Yes
Device PCI Bus ID / PCI location ID: 1 / 0
Compute Mode:
< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 6.5, CUDA Runtime Version = 6.5, NumDevs = 1, Device0 = GeForce GTX 670
Result = PASS
4. 安装BLAS
Caffe的BLAS可以有三种选择，分别为atlas、mkl以及openBLAS。对于mkl可以到intel官网下载，解压完成后又一个install_GUI.sh文件，执行该文件会出现图形安装界面，根据说明一步一步执行即可。
也可对openBLAS源码进行编译，不过需要gcc以及gfortran等相关编译器。个人认为比较便捷的是atlas，在Caffe官网上有相关的介绍，对于Ubuntu，通过以下命令可以下载atlas
sudo apt-get install libatlas-base-dev
5. 安装OpenCV
OpenCV库安装可以通过网上写好的脚本进行下载：https://github.com/jayrambhia/Install-OpenCV
解压文档后，进入Ubuntu/2.4 给所有的shell脚本加上可执行权限
chmod +x *.sh然后执行 opencv2_4_9.sh 安装最新版本，注意，OpenCV 2.4.9不支持gcc-4.9以上的编译器！！
6. 安装其他dependencies
对于Ubuntu 14.04，执行以下命令下载其他相关依赖库文件
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler
7. 安装python以及Matlab
首先安装pip和python –dev
sudo apt-get install python-dev python-pip以及caffe python wrapper所需要的额外包
sudo pip install -r /path/to/caffe/python/requirements.txtMatlab接口需要额外安装Matlab程序
Last shot --- 编译Caffe
完成所有的环境配置，终于可以编译caffe了，通过官网下载caffe源码，进入根目录caffe-master，首先复制一份makefile
cp Makefile.config.example Makefile.config然后修改里面的内容，主要有：
CPU_ONLY 是否采用cpu模式，否则选择CUDNN（这里的CUDNN需要在NVIDIA-CUDNN下载，还有通过email注册申请才能通过审核）
BLAS：=atlas（也可以是open或者mkl）
DEBUG 如果需要debug模式
MATLAB_DIR 如果需要采用matlab 接口
完成配置后，可以进行编译了
make all -j4
make test
make runtest郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
