如何在linux系统下安装caffe

你好，方法如下：

1. 安装Google Logging Library（glog）

glog 下载地址

安装命令如下所示

# 解压tar -zxvf glog-0.3.3.tar.gz# 切换路径cd glog-0.3.3sudo ./configuresudo make –jsudo make install

2. 安装其它依赖

执行以下命令即可。

sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev sudo apt-get install -y libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler protobuf-c-compiler python-pandas

3. 编辑Makefile.config文件

*** 作命令如下所示。

unzip caffe-master.zip #本地解压caffe-master#切换路径cd /caffe-master #caffe源文件中没有Makefile.config，需要复制Makefile.config.examplecp Makefile.config.example Makefile.config#编辑Makefile.configvi Makefile.config

修改Makefile.config

PYTHON_LIB := /usr/local/libMATLAB_DIR := /usr/local/MATLAB/R2014a

取消第5行的注释，即将 #USE_CUDNN=1 改为 USE_CUDNN=1；

如果使用本教程系列安装的，就不需要修改BLAS=atlas，如果是参考欧新宇的教程，安装了MKL，需要改成BLAS=mkl；

启用CUDNN，加注释: CPU_ONLY:=1 改成 # CPU_ONLY:=1；

配置路径，实现caffe对Python和Matlab接口的支持：

4. 编辑Makefile文件

如果openCV版本是2.4.x，此小节可以不再阅读

如果openCV版本3.0，还需要修改Makefile文件，实现对OpenCV 3.x的支持。

在Makefile文件中查找“Derive include and lib directories”一节，修改“LIBRARIES +=”的最后一行，增加opencv_imgcodecs，修改之后为：

LIBRARIES += opencv_core opencv_highgui opencv_imgproc opencv_imgcodecs

5. 编译caffe-master

依次执行下面的命令，编译caffe：

make all -jmake test -jmake runtest -j

runtest执行结束之后，如下图所示。这样子就说明安装成功了。

Caffe需要预先安装一些依赖项，首先是CUDA驱动。不论是CentOS还是Ubuntu都预装了开源的nouveau显卡驱动（SUSE没有这种问题），如果不禁用，则CUDA驱动不能正确安装。以Ubuntu为例，介绍一下这里的处理方法，当然也有其他处理方法。

1

2

3

4

5

6

# sudo vi/etc/modprobe.d/blacklist.conf

# 增加一行 ：blacklist nouveau

sudoapt-get --purge remove xserver-xorg-video-nouveau #把官方驱动彻底卸载：

sudoapt-get --purge remove nvidia-*#清除之前安装的任何NVIDIA驱动

sudo service lightdm stop#进命令行，关闭Xserver

sudo kill all Xorg

然后下载并安装 NVIDIA CUDA驱动包，接着安装安装BLAS、OpenCV、Boost这三个库。BLAS数学库可以是ATLAS, MKL, 或 OpenBLAS，OpenCV要求2.4以上版本，Boost要求1.55版本以上。可选安装Python MATLAB Caffe 库，还有 numpy ， pandas 之类的Python类库。安装MATLAB，以确保mex 在path路径中，这些就够你折腾一个星期了，完事以后就可以编译安装了：

1

2

3

4

5

cp Makefile.config.example Makefile.config

# Adjust Makefile.config (for example, if using Anaconda Python, or if cuDNN is desired)

make all

make test

make runtest

哦对了，Caffe 显卡要求：Titan Xs, K80s, GTX 980s, K40s, K20s, Titans, and GTX 770s

个人感觉不会有啥本质差别。

如果有差别的话，那基本上就可能是：

(1) 你用的底层数学库不一样，而这些底层数学库的速度不同。比如说Atlas和MKL，一般MKL完胜。

(2) 你用的编译器优化能力不同。不过现代编译器其实对于caffe这样运算逻辑比较简单的代码的优化基本上已经没有啥差别了，所以更有可能是下一条。

(3) 你开的优化选项不一样。比如说开-O0和-O3，或者开-mavx和不开avx，速度甩几条街是分分钟的事情。

另外@王峰 提到的Cudnn的问题，传说NVIDIA在Windows上的Cudnn没有用心跑优化，也有传说NVIDIA CUDA的Windows驱动没有用心写。。。这个个人没有验证过，不过如果是真的话也不奇怪了。

---