深度學習框架Caffe的編譯安裝

　　深度學習框架caffe特點，富有表達性、快速、模塊化。下面介紹caffe如何在Ubuntu上編譯安裝。

1. 前提條件

安裝依賴的軟件包：

• CUDA 用來使用GPU模式計算.
  • 建議使用 7.0 以上最新的版本
• BLAS via ATLAS, MKL, or OpenBLAS.
• Boost >= 1.55
• protobuf, glog, gflags, hdf5

可選依賴軟件包:

• OpenCV >= 2.4 including 3.0
• IO libraries: lmdb, leveldb (note: leveldb requires snappy)
• cuDNN for GPU acceleration (v3)

編程開發接口：

　　Pycaffe 和 Matcaffe，各自有各自的要求：

• For Python Caffe: Python 2.7 or Python 3.3+, numpy (>= 1.7), boost-provided boost.python
• For MATLAB Caffe: MATLAB with the mex compiler

 編譯版本：

　　cuDNN Caffe：支持CUDA和cuDNN快速操作

　　CPU-only Caffe：無CUDA支持，只使用CPU。可用於雲和集群部署。

 

2. 編譯

安裝依賴包（boost 和 protobuf, glog, gflags, hdf5）：

sudo apt-get install libboost-all-dev libprotobuf-dev protobuf-compiler libhdf5-serial-dev libgflags-dev libgoogle-glog-dev

 

安裝依賴包（atlas）：

sudo apt-get install libatlas-base-dev

 

安裝依賴包（CUDA）：

　　下載網址：　CUDA

　　CUDA有幾種安裝方式，由於文件比較大，國內有源，所以這里選擇從網絡安裝。

　　下載相應的安裝包，如我的是 cuda-repo-ubuntu1504_7.5-18_amd64.deb 。然后執行如下命令：

sudo dpkg -i cuda-repo-ubuntu1504_7.5-18_amd64.deb
sudo apt-get update
sudo apt-get install cuda

　　設置LD_LIBRARY_PATH，最簡單的方式在你的 /etc/profile 或 ~/.bashrc 文件中添加如下語句：

　　　　export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
　　

　　或者執行命令 sudo vi /etc/ld.so.conf.d/cuda.conf，在文件中添加如下內容：

 　　　　/usr/local/cuda/lib64

　　然后再執行命令：

sudo ldconfig

 

安裝可選包（IO libraries: lmdb, leveldb (note: leveldb requires snappy) 和 opencv）：

sudo apt-get install libleveldb-dev libsnappy-dev liblmdb-dev libopencv-dev 

 

安裝CUDNN：

　　下載網址：CUDNN （需要注冊申請，批准通過，才能下載）

　　解壓縮下載文件，將 include 和 lib64 拷貝放置在 /usr/local/cuda 目錄下即可。

 　　執行如下命令修改鏈接文件：

cd /usr/local/cuda/lib64
rm -rf libcudnn.so libcudnn.so.4
ln -s libcudnn.so.4.0.4 libcudnn.so.4
ln -s libcudnn.so.4 libcudnn.so

 

獲取源代碼：

git clone git://github.com/BVLC/caffe.git

 

添加修改編譯配置：

cp Makefile.config.example Makefile.config
vi Makefile.config

　　a. 啟用CUDNN，去掉"#"

　　　　USE_CUDNN := 1

　　b. 配置一些引用文件（增加部分主要是解決新版本下，HDF5的路徑問題）

　　　　INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/lib/x86_64-linux-gnu/hdf5/serial/include

　　　　LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/hdf5/serial

　　c.啟用opencv3，如果你使用的 opencv >= 3.0.0

　　　　OPENCV_VERSION := 3

　　　　否則編譯時候會報錯 “ 對‘cv::imdecode(cv::_InputArray const&, int)’未定義的引用 ”

 

執行如下命令編譯：　

make all -j4
make test -j4
make runtest -j4

• 要編譯使用cuDNN加速，在Makefile.config文件中，設置 USE_CUDNN := 1
• 要編譯 CPU-only Caffe版本，在Makefile.config文件中，設置  CPU_ONLY := 1 

　　要編譯Python 和 MATLAB 封裝包，在分別各自使用 make pycaffe 和 make matcaffe 命令編譯前，確定在 Makefile.config 文件中，設置好 MATLAB 和 Python的路徑。 

 　　要安裝使用pycaffe，必須安裝相應的python依賴包，可進入python，並執行如下命令安裝：

for req in $(cat requirements.txt); do pip install $req; done

 　　注意： 在安裝python包時，可能會失敗，是由於缺少相應的cpp版本，比如我的機器安裝pyyaml失敗，於是執行命令安裝libyaml

sudo apt-get install libyaml-cpp-dev

 　　執行如下命令編譯 pycaffe：

make pycaffe -j4

 

　　在安裝完成之后，如果想要導入caffePython模塊，則添加模塊路徑到你的環境變量 $PYTHONPATH 中。比如在你的~/.bashrc中添加如下一行：

　　　　export PYTHONPATH=/path/to/caffe/python:$PYTHONPATH

3. 測試安裝

　　下面通過運行mnist來驗證caffe已正常安裝：

 

1. 數據預處理

data/mnist/get_mnist.sh

 

2. 重建lmdb文件。Caffe支持多種數據格式輸入網絡，包括Image(.jpg, .png等)，leveldb，lmdb，HDF5等，根據自己需要選擇不同輸入吧。

examples/mnist/create_mnist.sh
 

生成mnist-train-lmdb 和 mnist-train-lmdb文件夾，這里包含了lmdb格式的數據集

 

3. 訓練mnist

examples/mnist/train_lenet.sh