0.檢查配置
1. VMWare上運行的Ubuntu，並不能支持真實的GPU（除了特定版本的VMWare和特定的GPU，要求條件嚴格，所以我在VMWare上搭建好了Caffe環境后，又重新在Windows 7 64bit系統上安裝了Ubuntu 14.04 64bit系統，鏈接在此，以此來搭建Caffe GPU版本）；
2. 確定GPU支持CUDA
輸入：
lspci | grep -i nvidia
顯示結果：
我的是GTX 650，然后到http://developer.nvidia.com/cuda-gpus去驗證，支持CUDA；
3. 確定Linux版本支持CUDA
輸入：
uname -m && cat /etc/*release
結果顯示：
4. 確定系統已經安裝了GCC
輸入：
gcc --version
結果顯示：
5. 確定系統已經安裝了正確的Kernel Headers和開發包
輸入：
uname -r
結果：4.2.0-36-generic，這個是必須安裝的kernel headers和開發包的版本；
安裝對應的kernels header和開發包，
sudo apt-get install linux-headers-$(uname -r)
1.安裝CUDA
下載CUDA，從https://developer.nvidia.com/cuda-downloads，下載對應版本的cuda安裝包，我下載的是deb（local）版，
安裝CUDA，運行如下命令，即可安裝CUDA；
sudo dpkg -i cuda-repo-ubuntu1404_7.5-18_amd64.deb
sudo apt-get update
sudo apt-get install cuda
安裝完成后，重啟一下；
2.安裝cuDNN
下載cuDNN，從https://developer.nvidia.com/rdp/cudnn-download，注冊，然后下載，
注意事項：
有可能由於最新cuDNN不穩定，導致后續caffe工程編譯失敗，報出如下錯誤，詳情參考第三個鏈接，這時可以回退一下，下載較新版本的cuDNN；
CXX src/caffe/test/test_im2col_layer.cpp
In file included from ./include/caffe/util/device_alternate.hpp:40:0,
from ./include/caffe/common.hpp:19,
from ./include/caffe/blob.hpp:8,
from src/caffe/test/test_im2col_layer.cpp:5:
./include/caffe/util/cudnn.hpp: In function ‘void caffe::cudnn::createPoolingDesc(cudnnPoolingStruct**, caffe::PoolingParameter_PoolMethod, cudnnPoolingMode_t*, int, int, int, int, int, int)’:
./include/caffe/util/cudnn.hpp:127:41: error: too few arguments to function ‘cudnnStatus_t cudnnSetPooling2dDescriptor(cudnnPoolingDescriptor_t, cudnnPoolingMode_t, cudnnNanPropagation_t, int, int, int, int, int, int)’
pad_h, pad_w, stride_h, stride_w));
^
./include/caffe/util/cudnn.hpp:15:28: note: in definition of macro ‘CUDNN_CHECK’
cudnnStatus_t status = condition; \
^
In file included from ./include/caffe/util/cudnn.hpp:5:0,
from ./include/caffe/util/device_alternate.hpp:40,
from ./include/caffe/common.hpp:19,
from ./include/caffe/blob.hpp:8,
from src/caffe/test/test_im2col_layer.cpp:5:
/usr/local/cuda/include/cudnn.h:799:27: note: declared here
cudnnStatus_t CUDNNWINAPI cudnnSetPooling2dDescriptor(
^
Makefile:572: recipe for target '.build_release/src/caffe/test/test_im2col_layer.o' failed
make: *** [.build_release/src/caffe/test/test_im2col_layer.o] Error 1
拷貝cuDNN庫文件到cuda目錄下，
tar -zxvf cudnn-7.0-linux-x64-v4.0-prod.tgz
cd cuda
sudo cp lib64/* /usr/local/cuda/lib64/
sudo cp include/cudnn.h /usr/local/cuda/include/
設置環境變量，在/etc/profile中添加CUDA環境變量，
sudo gedit /etc/profile
在打開的文件中加入如下兩句話
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
保存后，使環境變量立即生效，
source /etc/profile
進入/usr/local/cuda/samples，執行下面的命令來build samples，
sudo make all -j4
全部編譯完成后，進入 samples/bin/x86_64/linux/release，運行deviceQuery，
./deviceQuery
如果出現顯卡信息，則驅動及顯卡安裝成功，結果如下：
3.編譯caffe
修改caffe/Makefile.config，
# cuDNN acceleration switch (uncomment to build with cuDNN).
USE_CUDNN := 1#去掉這個注釋
# CPU-only switch (uncomment to build without GPU support).
# CPU_ONLY := 1#加上這個注釋
然后輸入，
make clean#第一次編譯，不需要執行
make all
make test
make runtest
顯示結果：
cpu版本Caffe學習筆記1--Ubuntu 14.04 64bit caffe安裝的編測試行結果是共1058項，GPU版本的測試運行結果是2005項；
編譯pycaffe，
make pycaffe
make distribute
4.mnist數據測試
cd caffe
# 下載mnist數據
sh data/mnist/get_mnist.sh
sh examples/mnist/create_mnist.sh
./examples/mnist/train_lenet.sh
執行結果，
和CPU版本Caffe學習筆記1--Ubuntu 14.04 64bit caffe安裝的mnist數據測試相比，速度明顯提升；當時我運行腳本后，就開始看書，剛看完一頁，抬頭發現已經運行完畢，第一次用GPU計算，雖然只是很渣的GTX 650，但依然對GPU的運算能力感到佩服；
5.深度學習開源庫環境搭建大禮包
昨晚群里一個哥們分享了一個github鏈接，涵蓋了主流深度學習開源庫的環境搭建，包括Nvidia驅動、CUDA、cuDNN、TensorFlow、Caffe、Theano、Keras、Torch，鏈接在此，他的配置是Ubuntu 14.04 64bit + Nvidia Titan X，還是適用於好多朋友的機器的，所以好東西還是要分享給大家；