ubuntu16.04 cuda8.0 opencv3.2.0 caffe安裝

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)查看適合本身顯卡的驅動：

圖1.顯卡驅動查詢

例如本人電腦的顯卡驅動以下圖：

圖2.顯卡驅動版本

（2）安裝驅動

安裝以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），須要在安裝以前禁止一項：

sudo service lightdm stop

執行如下指令安裝驅動：

sudo add-apt-repository ppa:xorg-edgers/ppa

sudo apt-get update

sudo apt-get install nvidia-367 #注意在這裏指定本身的驅動版本！

安裝完成以後輸入如下指令進行驗證：

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的編程語言平臺，想使用GPU就必需要使用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

下載完成後執行如下命令：

sudo sh cuda_8.0.27_linux.run

注意：執行後會有一系列提示讓你確認，可是注意，有個讓你選擇是否安裝nvidia361驅動時，必定要選擇否：

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?

由於前面咱們已經安裝了更加新的nvidia367，因此這裏不要選擇安裝。其他的都直接默認或者選擇是便可。

可能出現的錯誤：

當出現「unsupport complier」錯誤時，說明gcc版本過高，須要下降gcc版本。解決辦法以下：

以gcc4.9與g++4.9爲例

安裝低版本gcc與g++：

sudo apt-get install gcc-4.9 g++-4.9

以後進入/usr/bin:

cd /usr/bin

先刪除和gcc5.0關聯的gcc:

sudo rm gcc

sudo rm g++

再建個軟鏈接

sudo ln -s gcc-4.9 gcc

sudo ln -s g++-4.9 g++

而後從新安裝。

（3）環境變量配置

打開~/.bashrc文件：

sudo vim ~/.bashrc

將如下內容寫入到~/.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

若是現實一些關於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,可能須要註冊一個帳號才能下載。因爲本人的顯卡是GTX1080，因此下載版本號以下圖：

圖4.cuDNN下載

下載cuDNN5.1以後進行解壓，cd進入cuDNN5.1解壓以後的include目錄，在命令行進行以下操做：

sudo cp cudnn.h /usr/local/cuda/include/    #複製頭文件

再將cd進入lib64目錄下的動態文件進行復制和連接：

sudo cp lib* /usr/local/cuda/lib64/    #複製動態連接庫

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      #生成軟連接

 

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。

安裝前準備，建立編譯文件夾：

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，根據本身電腦的配置進行設置，配置比較低的電腦能夠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，須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版本過高時同樣：

安裝低版本gcc與g++：

sudo apt-get install gcc-4.9 g++-4.9

以後進入/usr/bin:

cd /usr/bin

先刪除和gcc5.0關聯的gcc:

sudo rm gcc

sudo rm g++

再建個軟鏈接

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);

這是由於opecv3.0與cuda8.0不兼容致使的。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，須要先安裝Git：

sudo apt-get install git

（3）由於make指令只能make Makefile.config文件，而Makefile.config.example是caffe給出的makefile例子，所以，首先將Makefile.config.example的內容複製到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

根據我的狀況修改文件：

a.若使用cudnn，則

將

#USE_CUDNN := 1

修改爲： 

USE_CUDNN := 1

b.若使用的opencv版本是3的，則

將

#OPENCV_VERSION := 3 

修改成： 

OPENCV_VERSION := 3

c.若要使用python來編寫layer，則

將

#WITH_PYTHON_LAYER := 1 

修改成 

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 

修改成： 

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       

這是由於ubuntu16.04的文件包含位置發生了變化，尤爲是須要用到的hdf5的位置，因此須要更改這一路徑.

（5）修改makefile文件

打開makefile文件，作以下修改：

將：

NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)

改成：

NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)

若是make時報錯 能夠用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)，由於咱們的是5.2.1，所以，把上面的 2個4都改爲5就ok了，保存退出。

將

#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!

改成

//#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!

（7）編譯

安裝mkl 下載連接https://software.intel.com/en-us/qualify-for-free-software/student

下載時登陸教育郵箱賬號並記住密碼

下載解壓以後，運行install.sh 腳本， 一路默認安裝便可。在安裝開始的時候須要輸入序列號，這個若是你在網站上留了有效郵箱，郵件裏面是會發給你序列號，輸入便可。

在寫好連接代碼的腳本後，這時候調用intel庫仍是會出問題,會提示mkl cannot open shared object file no such file or directory，須要在系統PATH路徑中加入代碼

1: 得到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  若是沒有報錯，則path生效

將MakeFile.comfig中BLAS 修改成 BLAS := mkl

 

或安裝OpenBlas

sudo apt-get install libopenblas-base

 

make all -j8 #-j根據本身電腦配置決定

編譯過程當中可能會出現以下錯誤：

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成第二行代碼。

將：

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include

替換爲：

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修改成hdf5_serial_hl 和 hdf5_serial，也就是把下面第一行代碼改成第二行代碼。

將：

LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5

改成：

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複製到/usr/local/lib文件夾下：

#注意本身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 改爲與你顯卡相匹配的數值。

（8）測試

sudo make runtest

若是運行以後出現下圖，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完成後，咱們能夠利用MNIST數據集對caffe進行測試，過程以下：

 

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

訓練的時候能夠看到損失與精度數值，以下圖：

圖7.MNIST數據集訓練

能夠看到最終訓練精度是0.9914。