安裝過程
1.安裝相關依賴項
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
2.安裝NVIDIA驅動
（1）查詢NVIDIA驅動
首先去官網(http://www.nvidia.com/Download/index.aspx?lang=en-us)查看適合自己顯卡的驅動：
圖1.顯卡驅動查詢
例如本人電腦的顯卡驅動如下圖：
圖2.顯卡驅動版本
（2）安裝驅動
安裝之前先卸載已經存在的驅動版本：
sudo apt-get remove --purge nvidia*
若電腦是集成顯卡（NVIDIA獨立顯卡忽略此步驟），需要在安裝之前禁止一項：
sudo service lightdm stop
執行以下指令安裝驅動：
sudo add-apt-repository ppa:xorg-edgers/ppa
sudo apt-get update
sudo apt-get install nvidia-367 #注意在這里指定自己的驅動版本！
安裝完成之后輸入以下指令進行驗證：
sudo nvidia-smi
若列出了GPU的信息列表則表示驅動安裝成功。
（win10注意要先關閉主板密碼）
3.安裝CUDA
CUDA是NVIDIA的編程語言平台，想使用GPU就必須要使用cuda。
（1）下載CUDA
首先在官網上(https://developer.nvidia.com/cuda-downloads)下載CUDA：
圖3.CUDA下載
（2）安裝CUDA
下載完成后執行以下命令：
sudo sh cuda_8.0.27_linux.run
注意：執行后會有一系列提示讓你確認，但是注意，有個讓你選擇是否安裝nvidia361驅動時，一定要選擇否：
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?
因為前面我們已經安裝了更加新的nvidia367，所以這里不要選擇安裝。其余的都直接默認或者選擇是即可。
可能出現的錯誤：
當出現“unsupport complier”錯誤時，說明gcc版本太高，需要降低gcc版本。解決辦法如下：
以gcc4.9與g++4.9為例
安裝低版本gcc與g++：
sudo apt-get install gcc-4.9 g++-4.9
之后進入/usr/bin:
cd /usr/bin
先刪除和gcc5.0關聯的gcc:
sudo rm gcc
sudo rm g++
再建個軟連接
sudo ln -s gcc-4.9 gcc
sudo ln -s g++-4.9 g++
然后重新安裝。
（3）環境變量配置
打開~/.bashrc文件：
sudo vim ~/.bashrc
將以下內容寫入到~/.bashrc尾部：
export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
（4）測試CUDA的sammples
cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuerymakesudo ./deviceQuery
如果現實一些關於GPU的信息，則說明安裝成功。
4.配置cuDNN
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,可能需要注冊一個賬號才能下載。由於本人的顯卡是GTX1080，所以下載版本號如下圖：
圖4.cuDNN下載
下載cuDNN5.1之后進行解壓，cd進入cuDNN5.1解壓之后的include目錄，在命令行進行如下操作：
sudo cp cudnn.h /usr/local/cuda/include/ #復制頭文件
再將cd進入lib64目錄下的動態文件進行復制和鏈接：
sudo cp lib* /usr/local/cuda/lib64/ #復制動態鏈接庫
cd /usr/local/cuda/lib64/sudo rm -rf libcudnn.so libcudnn.so.5 #刪除原有動態文件
sudo ln -s libcudnn.so.5.0.5 libcudnn.so.5 #生成軟銜接
sudo ln -s libcudnn.so.5 libcudnn.so #生成軟鏈接
5.安裝opencv3.1
從官網(http://opencv.org/downloads.html)下載Opencv,並將其解壓到你要安裝的位置，假設解壓到了/home/opencv。
安裝前准備，創建編譯文件夾：
cd ~/opencv
mkdir build
cd build
配置：
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
編譯：
make -j8 #-j8表示並行計算，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。
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：
sudo make install
可能會出現的錯誤：
錯誤內容1：
gcc-4.9: error trying to exec 'cc1plus': execvp:
沒有那個文件或目錄
說明gcc與g++版本不兼容，解決辦法跟gcc版本太高時一樣：
安裝低版本gcc與g++：
sudo apt-get install gcc-4.9 g++-4.9
之后進入/usr/bin:
cd /usr/bin
先刪除和gcc5.0關聯的gcc:
sudo rm gcc
sudo rm g++
再建個軟連接
sudo ln -s gcc-4.9 gcc
sudo ln -s g++-4.9 g++
錯誤內容2：
modules/cudalegacy/src/graphcuts.cpp:120:54: error:
‘NppiGraphcutState’ has not been declared
typedef NppStatus (*init_func_t)(NppiSize oSize,
NppiGraphcutState** ppState, Npp8u* pDeviceMem);
這是因為opecv3.0與cuda8.0不兼容導致的。解決辦法：
修改 ～/opencv/modules/cudalegacy/src/graphcuts.cpp文件內容，如圖：
圖5.文件修改
6.配置caffe
（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）打開並修改配置文件：
sudo gedit Makefile.config #打開Makefile.config文件
根據個人情況修改文件：
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
修改為：
OPENCV_VERSION := 3
c.若要使用python來編寫layer，則
將
#WITH_PYTHON_LAYER := 1
修改為
WITH_PYTHON_LAYER := 1
d.重要的一項 :
將# Whatever else you find you need goes here.下面的
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib
修改為：
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial
這是因為ubuntu16.04的文件包含位置發生了變化，尤其是需要用到的hdf5的位置，所以需要更改這一路徑.
（5）修改makefile文件
打開makefile文件，做如下修改：
將：
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)
改為：
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
如果make時報錯 可以用cmake-gui編輯下
（6）編輯/usr/local/cuda/include/host_config.h (新版CUDA8.0已經不用)
ctrl+F查找4.9出現的地方，大約位於115行，在第113行處應該顯示
if _GNUC_>4 || (_GNUC_ == 4 && _GNUC_MINOR_ > 9)，因為我們的是5.2.1，因此，把上面的
2個4都改成5就ok了，保存退出。
將
#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!
改為
//#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!
（7）編譯
安裝mkl 下載鏈接https://software.intel.com/en-us/qualify-for-free-software/student
下載時登錄教育郵箱帳號並記住密碼
下載解壓之后，運行install.sh 腳本， 一路默認安裝即可。在安裝開始的時候需要輸入序列號，這個如果你在網站上留了有效郵箱，郵件里面是會發給你序列號，輸入即可。
在寫好鏈接代碼的腳本后，這時候調用intel庫還是會出問題,會提示mkl cannot open shared object file no such file or directory，需要在系統PATH路徑中加入代碼
1: 獲得root權限， $ su
2: $ gedit /etc/profile
3: 在末尾處加入代碼：
export PATH=":/opt/intel/bin:$PATH"
export LD_LIBRARY_PATH=$LD_LIBRARY_LIB:/opt/intel/lib/intel64:/opt/intel/mkl/lib/intel64
4: $ source /etc/profile 如果沒有報錯，則path生效
將MakeFile.comfig中BLAS 修改為 BLAS := mkl
或安裝OpenBlas
sudo apt-get install libopenblas-base
make all -j8 #-j根據自己電腦配置決定
編譯過程中可能會出現如下錯誤：
錯誤內容1：
"fatal error: hdf5.h: 沒有那個文件或目錄"
解決辦法：
step1:在Makefile.config文件的第85行，添加/usr/include/hdf5/serial/ 到 INCLUDE_DIRS，也就是把下面第一行代碼改為第二行代碼。
將：
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
替換為：
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/
stept2:在Makefile文件的第173行，把 hdf5_hl 和hdf5修改為hdf5_serial_hl 和 hdf5_serial，也就是把下面第一行代碼改為第二行代碼。
將：
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5
改為：
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial
錯誤內容2：
"libcudart.so.8.0 cannot open shared object file: No such file or directory"
解決辦法是將一些文件復制到/usr/local/lib文件夾下：
#注意自己CUDA的版本號！
sudo cp /usr/local/cuda-8.0/lib64/libcudart.so.8.0 /usr/local/lib/libcudart.so.8.0 && sudo ldconfig
sudo cp /usr/local/cuda-8.0/lib64/libcublas.so.8.0 /usr/local/lib/libcublas.so.8.0 && sudo ldconfig
sudo cp /usr/local/cuda-8.0/lib64/libcurand.so.8.0 /usr/local/lib/libcurand.so.8.0 && sudo ldconfig
錯誤內容3：
waring nvcc
解決辦法：修改maleficent.config 中CUDA_ARCH 變量 改成與你顯卡相匹配的數值。
（8）測試
sudo make runtest
如果運行之后出現下圖，說明caffe配置成功。
圖6.caffe測試結果
到此caffe配置完畢！
MNIST數據集測試
配置caffe完成后，我們可以利用MNIST數據集對caffe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數據庫並解壓縮
./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
訓練的時候可以看到損失與精度數值，如下圖：
圖7.MNIST數據集訓練
可以看到最終訓練精度是0.9914。