Ubuntu14.04+caffe+cuda 環境搭建以及MNIST數據集的訓練與測試
一、ubuntu14.04的安裝：
ubuntu的安裝是一件十分簡單的事情，這里給出一個參考教程：
http://jingyan.baidu.com/article/76a7e409bea83efc3b6e1507.html
二、cuda的安裝：
1、首先下載nvidia cuda的倉庫安裝包（我的是ubuntu 14.04 64位，所以下載的是ubuntu14.04的安裝包，如果你是３２位的可以參看具體的地址，具體的地址是https://developer.nvidia.com/cuda-downloads）
wget http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1404/x86_64/cuda-repo-ubuntu1404_6.5-14_amd64.deb
下載完成之后可以使用如下命令安裝它，注意文件名修改為cuda-repo-ubuntu1404_6.5-14_amd64.deb：
sudo dpkg -i cuda-repo-<distro>_<version>_<architecture>.deb
2、安裝好倉庫之后，就可以更新你的本地倉庫。
sudo apt-get update
最后開始安裝cuda以及顯卡驅動（安裝cuda的同時就會把顯卡驅動也全部安裝好，這個真的很方便。但是下載的時間有點長。）
sudo apt-get install cuda
3、安裝完之后你需要設置環境變量：
$ export PATH=/usr/local/cuda-6.5/bin:$PATH $ export LD_LIBRARY_PATH=/usr/local/cuda-6.5/lib64:$LD_LIBRARY_PATH
4、設置完畢之后，你還可以選擇是否安裝cuda附帶的示例代碼（<dir>表示你要安裝的位置，你可以將<dir>替換成~），並編譯它：
$ cuda-install-samples-6.5.sh <dir>
cd ~/NVIDIA_CUDA-6.5_Samples
然后進入bin目錄，並運行devicequery
cd ~/NVIDIA_CUDA-6.5_Samples/bin
./ deviceQuery
如果出現下列顯卡信息， 則驅動及顯卡安裝成功：
./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
具體的安裝過程可以參考英文。
http://docs.nvidia.com/cuda/cuda-getting-started-guide-for-linux/index.html
三、安裝OpenCV：
這個盡量不要手動安裝， Github上有人已經寫好了完整的安裝腳本：https://github.com/jayrambhia/Install-OpenCV下載該腳本，進入Install-OpenCV-master/Ubuntu/2.4 目錄, 給所有shell腳本加上可執行權限
chmod +x *.sh
然后安裝最新版本 （當前為2.4.9）
sudo ./opencv2_4_9.sh
腳本會自動安裝依賴項，下載安裝包，編譯並安裝OpenCV。整個過程大概半小時左右。
四、安裝其他依賴項
sudo apt-get install build-essential libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler
五、下載caffe，關於MKL：
1、下載caffe
http://download.csdn.net/download/jiangcunyeyu/8329829
下載后直接解壓解壓在你的工程路徑內，無需安裝。
2、關於MKL
MKL是intel的收費數學計算庫，獲取是一件十分蛋疼的事情，如果你有時間，自己百度教程安裝.MKL不是必須的，OpenBLAS和atlas都可以替代之，並且這兩個庫的安裝和使用十分簡單。自己百度教程。
安裝ATLAS
sudo apt-get install libatlas-base-dev
六、安裝caffe所需的python相關包：
首先安裝pip和python-dev （系統默認有python環境的， 不過我們需要的使python-dev）
sudo apt-get install python-dev python-pip
然后cd到caffe所在路徑執行如下命令安裝編譯caffe python wrapper 所需要的額外包
for req in $(cat requirements.txt); do sudo pip install $req; done
七、編譯caffe：
進入caffe根目錄， 首先復制一份Makefile.config
cp Makefile.config.example Makefile.config
然后修改里面的內容，主要需要修改的參數包括
CPU_ONLY 是否只使用CPU模式，沒有GPU沒安裝CUDA的同學可以打開這個選項BLAS (使用intel mkl還是OpenBLAS)DEBUG 是否使用debug模式，打開此選項則可以在eclipse或者NSight中debug程序
完成設置后， 開始編譯
make all -j4
make test
make runtest
-j4注意 -j4 是指使用幾個線程來同時編譯， 可以加快速度， j后面的數字可以根據CPU core的個數來決定。
編譯pycaffe：
make pycaffe
然后基本就全部安裝完拉.
八、MNIST數據集訓練以及測試：
1、訓練：
在Caffe安裝目錄之下，首先獲得MNIST數據集：
cd data/mnist
sh get_mnist.sh
生成mnist-train-lmdb/ 和 mnist-test-lmdb/，把數據轉化成lmdb格式（注意這里要從caffe根目錄運行，不然會報錯，不懂自己讀一讀creat_mnist.sh）：
sh examples/mnist/create_mnist.sh
訓練網絡（同上，從caffe根目錄運行）:
sh examples/mnist/train_lenet.sh
下圖（盜圖）：
2、測試：
當所有數據都訓練好之后，接下來就是如何將模型應用到實際數據了：
./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel -gpu=0
如果沒有GPU則使用
./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel
test：表示對訓練好的模型進行Testing，而不是training。其他參數包括train, time, device_query。-model=XXX：指定模型prototxt文件，這是一個文本文件，詳細描述了網絡結構和數據集信息。結果如下：
