Ubuntu14.04 Caffe安裝

Caffe簡介

Caffe全稱Convolutional Architecture for Fast Feature Embedding，是一個計算CNN相關算法的框架。就目前來說是deeplearning最流行的開源的框架，所以使用的人也是最多的。
caffe網址：http://caffe.berkeleyvision.org/
github網址：https://github.com/BVLC/caffe/

安裝環境

系統：Ubuntu14.04 Desktop x64（建議使用剛安裝好的系統，同時不要更新，不然會影響後面的某些環節）
顯卡：支持CUDA的顯卡，當然這個不是必須的

依賴程序

基本包

安裝開發需要的一些基本包

sudo apt-get update
sudo apt-get install build-essential
sudo apt-get install gfortran ## python中安裝scipy需要依賴gfortran

注：Ubuntu默認環境雖然已經有gcc，但並沒有提供C/C＋＋的編譯環境，單獨安裝編譯環境比較複雜，所以提供了build-essential命令一鍵來構建所需的編譯環境。

CUDA（可選）

cuda在caffe編譯和使用中不是必須的，如果實在沒有支持cuda的顯卡或者只想嘗試一下caffe，不需要用它來進行復雜的訓練，不安裝也可以。
安裝鏈接：http://blog.csdn.net/honyniu/article/details/46387429

CuDNN（可選）

這個庫是基於cuda，當然也是可選的。
安裝鏈接：http://blog.csdn.net/honyniu/article/details/46388241

BLAS（必選）

這個庫提供了caffe需要的一些基本的矩陣和向量庫，這個是必選的。
安裝鏈接：http://blog.csdn.net/honyniu/article/details/46388915

OpenCV（必選）

OpenCV提供了圖像處理和計算機視覺的庫，在caffe使用中是必須的，同時最好自己編譯安裝。
安裝鏈接：http://blog.csdn.net/honyniu/article/details/46390097

其他依賴項

caffe需要一些特定的數據庫的操作， 因此需要安裝leveldb， lmdb， hdf5等庫。 此外， caffe採用了google的一些庫， 比如protobuf以及glog， 這些也需要安裝，命令如下。

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libboost-all-dev libhdf5-serial-dev libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler

Matlab和python

這兩個不是必須的，但是caffe提供了bash、matlab和python的接口，同時caffe許多的可視化接口都是通過python實現的，推薦安裝。
matlab在這裏使用的是Matlab-R2014A，這裏就不講怎麼安裝得了，自己去百度教程，默認安裝即可，安裝在’/usr/local/MATLAB’目錄下。
ubuntu默認安裝的2.7的版本但是爲了安裝Python開發環境，方便今後編譯其他擴展庫，命令如下

sudo apt-get install python-dev

python是使用的虛擬環境，具體虛擬環境的構建見http://blog.csdn.net/honyniu/article/details/46382929
激活虛擬環境

source ENV/bin/activate

安裝編譯pycaffe的依賴包， 進入caffe安裝目錄中的python文件夾， 你會看到一個requirements.txt， 首先， 修改protobuf那一行爲protobuf==2.5.0, 然後執行下面命令：

for req in $(cat requirements.txt); do pip install $req; done

這裏我們沒安裝caffe推薦的anaconda包， 因爲安裝之後進不去桌面。而且anaconda包只是一個自帶了requirements.txt中所有選項的python集合庫， 將上面的庫安裝好之後， 不裝anaconda沒有任何影響。

配置編譯

caffe程序

可以去上面的caffe的github網址把caffe最新代碼下載下來，也可以使用git命令獲取，如下

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

caffe配置

終於到了最後的一步了，如果安裝好了上面的所有的caffe的依賴，那麼下面就可以對caffe進行配置和編譯了。
首先拷貝生成所需要的’Makefile.config’文件，caffe安裝包下面給提供了example，注意直接拷貝下面的可能會報錯，因爲每一行命令的後面不能有空白的字符串，有可能會導致編譯不通過。

cp Makefile.config.example Makefile.config

然後對該’Makefile.config’文件根據自己的需求進行修改，下面是我的配置以及一些註釋。

## Refer to http://caffe.berkeleyvision.org/installation.html
# Contributions simplifying and improving our build system are welcome!

# cuDNN acceleration switch (uncomment to build with cuDNN).
USE_CUDNN := 1   #如果沒有安裝cudnn的注掉

# CPU-only switch (uncomment to build without GPU support).
# CPU_ONLY := 1   #如果沒有安裝cuda，不是要GPU的設置開啓  

# To customize your choice of compiler, uncomment and set the following.
# N.B. the default for Linux is g++ and the default for OSX is clang++
# CUSTOM_CXX := g++

# CUDA directory contains bin/ and lib/ directories that we need.
CUDA_DIR := /usr/local/cuda   #cuda默認安裝目錄（其實是軟鏈接），一般不需要修改，但如果沒有安裝cuda需要注掉
# On Ubuntu 14.04, if cuda tools are installed via
# "sudo apt-get install nvidia-cuda-toolkit" then use this instead:
# CUDA_DIR := /usr

# CUDA architecture setting: going with all of them.
# For CUDA < 6.0, comment the *_50 lines for compatibility.
CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \
                -gencode arch=compute_20,code=sm_21 \
                -gencode arch=compute_30,code=sm_30 \
                -gencode arch=compute_35,code=sm_35 \
                -gencode arch=compute_50,code=sm_50 \
                -gencode arch=compute_50,code=compute_50

# BLAS choice:
# atlas for ATLAS (default)
# mkl for MKL
# open for OpenBlas
BLAS := mkl   #這裏使用的是Intel MKL，如果使用的ATLAS，請自行修改
# Custom (MKL/ATLAS/OpenBLAS) include and lib directories.
# Leave commented to accept the defaults for your choice of BLAS
# (which should work)!
BLAS_INCLUDE := /opt/intel/mkl/include   #如果是atlas，這兩個路徑要注掉
BLAS_LIB := /opt/intel/mkl/lib/intel64

# This is required only if you will compile the matlab interface.
# MATLAB directory should contain the mex binary in /bin.
MATLAB_DIR := /usr/local/MATLAB/R2014a   #Matlab的路徑，沒安裝Matlab或者不需要編譯該接口可以注掉
# MATLAB_DIR := /Applications/MATLAB_R2012b.app

# NOTE: this is required only if you will compile the python interface.
# We need to be able to find Python.h and numpy/arrayobject.h.
#設置是python庫的路徑，使用的是虛擬環境capy這裏就是一直提到的ENV，有時候可能不起作用，還是會報錯，不知道爲什麼，那就設置下面的export，一般就沒問題了。
PYTHON_INCLUDE := /home/huayong/capy/include/python2.7 \
                /home/huayong/capy/lib/python2.7/site-packages/numpy/core/include

#If it doesn't work above, you can try this below.
export CPLUS_INCLUDE_PATH=/home/huayong/capy/include/python2.7:/home/huayong/capy/lib/python2.7/site-packages/numpy/core/include

# Anaconda Python distribution is quite popular. Include path:
# Verify anaconda location, sometimes it's in root.
# ANACONDA_HOME := /home/wenzheng/anaconda
# PYTHON_INCLUDE := $(ANACONDA_HOME)/include \
                # $(ANACONDA_HOME)/include/python2.7 \
                # $(ANACONDA_HOME)/lib/python2.7/site-packages/numpy/core/include \

# We need to be able to find libpythonX.X.so or .dylib.
PYTHON_LIB := /usr/lib/x86_64-linux-gnu
# PYTHON_LIB := $(ANACONDA_HOME)/lib

# Uncomment to support layers written in Python (will link against Python libs)
WITH_PYTHON_LAYER := 1

# Whatever else you find you need goes here.
# INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
# LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib

# Uncomment to use `pkg-config` to specify OpenCV library paths.
# (Usually not necessary -- OpenCV libraries are normally installed in one of the above $LIBRARY_DIRS.)
USE_PKG_CONFIG := 1

BUILD_DIR := build
DISTRIBUTE_DIR := distribute

# Uncomment for debugging. Does not work on OSX due to https://github.com/BVLC/caffe/issues/171
# DEBUG := 1

# The ID of the GPU that 'make runtest' will use to run unit tests.
TEST_GPUID := 0

# enable pretty build (comment to see full commands)
Q ?= @

caffe編譯

基本的編譯，j代表是多線程編譯，一般前兩個命令不會出錯，最後一個可能會出錯，但有時候也不影響使用。

make all -j8
make alltest -j8
make runtest

編譯matlab和python接口，這個當然不是必須的，看你自己的需求。

make pycaffe
make matcaffe

結束語

到這來我們就成功編譯好了caffe，那麼下面就要開始真正的caffe使用之旅了。下面有時間會把自己學習使用caffe的一些過程寫下來，包括訓練測試caffe提供的examples，caffe的可視化，運行一些caffe經典的例子（如R-CNN）。