Ubuntu14.04安裝Caffe(CPU)

一 安裝Ubuntu14.04LTS

Ubuntu分區

1.SWAP 交換分區：與物理內存至關。

2.「/」 根目錄分區：該區大小由硬盤大小而定，10-100G。

3.「HOME」 家目錄分區：該區也視硬盤大小決定，至關於WINDOWS下的個人文檔。

設置中文輸入法（Ubuntu 14.04 LTS中自帶的iBus輸入法很是難用）

1.安裝Fcitx

sudo apt-get install fcitx-table-wbpy

終端輸入以上命令，而後會自動安裝相關的依賴庫和框架。

2.配置Fcitx

Ubuntu右上角頂欄的小鍵盤圖標->配置；

系統設置->語言支持->默認輸入法換成fcitx。

3.重啓電腦

Ubuntu經常使用指令參考

sudo 　　　　　　　 //調用管理管權限
apt-get 　　　　　　//獲取資源
install 　　　　　　//安裝
remove 　　　　　　 //刪除
rm -r 　　　　　　　//刪除文件夾
cp -i dir 　　　　 //複製
cat 　　　　　　　　//查詢
echo 　　　　　　　 //打印
vi 　　　　　　　　 //寫權限
sudo gedit 　　　　//獲取權限後，直接在文本中修改
:i 　　　　　　　　 //寫入
:wq 　　　　　　　　//保存
sudo service lightdm stop/start 　　//開關桌面
sudo sh 　　　　　　　　　　　　　　　　//運行 
chmod +x ./ 　　　　　　　　　　　　　 //調用文件的權限
su root 或者 sudo 　　　　　　　　　　 //權限問題
sudo matlab 　　　　　　　　　　　　　 //僅僅運行matlab會報錯
make clean 　　　　　　　 　　　　　　 //從新編譯
mount  umount  　　　　　　　　　　　 //掛載與掛載接觸，用來安裝iso文件時的過渡過程
sudo find / -name libhdf5.so　　　　//查找名爲libhdf5.so的文件所在的位置/目錄
sudo gedit /etc/profile -> PATH=/xxx/xxx/bin:$PATH -> source /etc/profile //添加環境變量

二 搭建Caffe環境

輸入命令，檢查顯卡信息。

lspci | grep -i vga

 

發現沒有Nvidia顯卡，因此只能暫時放棄Gpu，改用Cpu。

1.安裝依賴（所需的依賴包）

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
sudo apt-get install libatlas-base-dev
sudo apt-get install python-dev

2.下載Caffe源碼

使用Git直接下載或者去https://github.com/BVLC/caffe下載。

git clone https://github.com/bvlc/caffe.git

進入其根目錄，Caffe給定了一個樣例配置文件：Makefile.config.example，咱們須要將複製爲Makefile.config文件。

cd caffe/
cp Makefile.config.example Makefile.config //mv Makefile.config.example Makefile.config

3.修改配置文件Makefile.config

由於咱們只用CPU，所以須要將Makefile.config文件中「# CPU_ONLY := 1」，前面的＃號去掉便可。

CPU_ONLY := 1

4.編譯Caffe

進入caffe文件夾根目錄下，進行以下操做。

cd ~/caffe
make all -j8
make test -j8
make runtest -j8

make默認是用CPU單核運算，在make後面加上-jn標籤，好比-j4使用四核加快速度。

注意：若須要從新編譯caffe，請先make clean，不然易出錯。

5.編譯Python接口 

（1）安裝Python

sudo apt-get install python-dev python-pip //sudo apt-get install python

（2）安裝Python依賴包

sudo apt-get install python-numpy python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags ipython ipython-notebook python-sympy

（3）依賴包編譯

cd ~/caffe 
make pycaffe

（4）添加~/caffe/Python到$PYTHONPATH

sudo gedit /etc/profile
# 末尾添加： export PYTHONPATH=/home/ysp/caffe/python:$PYTHONPATH
source /etc/profile

（5）測試是否能夠引用

$ python
Python 2.7.6 (default, Jun 22 2015, 17:58:13) 
[GCC 4.8.4] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import caffe
>>>

python命令行中import caffe報錯

問題：在成功編譯caffe的源碼以後，打開python解釋程序，輸入import caffe時，出現如下錯誤。

>>>import caffe

Traceback (most recent call last):

File "<stdin>", line 1, in <module>

ImportError: No module named caffe

解決：把caffe中的python導入到解釋器中。

第一種方法：設置環境變量
在終端中輸入：
　　　　export PYTHONPATH=~/caffe/python #caffe的路徑下面的python 　　則該終端起做用，關掉終端後或從新打開一終端，則失效。 在配置文件中輸入： 　　A.把環境變量路徑放到 ~/.bashrc文件中 　　　　sudo echo export JAVA_HOME="~/caffe/python" >> ~/.bashrc 　　B.使環境變量生效 　　　　source ~/.bashrc
　　能夠永久有效。

第二種方法：經過代碼來實現 在每一個python代碼中使用如下代碼 caffe_root = '/home/ysp/caffe/' import sys sys.path.insert(0, caffe_root + 'python') import caffe

6.安裝OpenCV(OpenCV版本>=2.4)

下載opencv安裝腳本，直接用腳本安裝opencv。

下載腳本後,由於個人系統是ubuntu的，因此接下來的操做針對ubuntu。

cd Install-OpenCV-master/Ubuntu 
chmod +x * //添加可執行權限 
./opencv_latest.sh

等待大約30分鐘，注意有一步輸入密碼，輸入用戶密碼便可。

配置完opencv，可用以下命令查詢其安裝版本。

pkg-config --modversion opencv

7.在Mnist運行Lenet

MNIST數據集簡介

MNIST數據集是一個大型的手寫體數據庫，普遍用於機器學習領域的訓練和測試，它是由紐約大學的Yann LeCun教授整理的，包括60000個訓練樣本和10000個測試樣本，其圖像都是灰度圖像，固定尺寸爲28x28(像素)。

 （1）獲取數據源

caffe源碼框架的data/mnist文件夾下有MNIST數據集的下載腳本get_mnist.sh.

首先將路徑切換到caffe的根目錄下 運行get_mnist.sh腳本 下載原數據集

cd caffe
./data/mnist/get_mnist.sh //sh data/mnist/get_mnist.sh
./examples/mnist/create_mnist.sh //sh examples/mnist/create_mnist.sh

（2）修改 solver_mode 爲 CPU（由於是CPU運行，因此修改在examples文件下的Mnist下的lenet_solver.prototxt中的solver_mode:CPU）

vi examples/mnist/lenet_solver.prototxt
#solver_mode: CPU

（3）訓練模型

./examples/mnist/train_lenet.sh

整個訓練時間會持續好久，沒有啓用GPU，而且默認是單核，用時5時38分6秒。

分類準確率：99.09%；loss：0.0287848。

（4）測試模型

1.在caffe/examples/images目錄下生成手寫的一個28*28像素數字的bmp文件。

2.在caffe/examples目錄下用Python編寫mnist.py。

3.執行上述腳本。