深度學習是研究計算機視覺的重要工具，尤其在影象分類與識別等領域有著劃時代的意義。現在有很多深度學習框架，Caffe是比較常用的一個。本文講述了Ubuntu 14.04（64位）系統下配置Caffe的基本步驟，參考了Caffe的官方網站   http://caffe.berkeleyvision.org/。

一、系統環境配置

1.1 首先安裝一般會用到的一些依賴項。開啟Ubuntu系統的終端，輸入以下命令： 

　　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

1.2 下載並安裝CUDA

　　選擇合適的版本，下載下來即可。按照圖中的設定，下載到的是cuda_7.5.18_linux.run，預設下載路徑是～/Downloads，在終端中輸入： 

　　cd ~/Downloads

　　sudo sh cuda_7.5.18_linux.run 

　　執行後會有一大段文字要讓你瀏覽，終端左下角有進度顯示，當前應為0%，沒必要看，直接按Ctrl+C 跳過，之後要輸入“accept”。在下邊就是要你選擇裝各個元件。第一個顯示卡驅動不要裝，剩下的可以都裝上。注意，也不要自己另外裝NVIDIA顯示卡的官方驅動，可能會產生系統啟動迴圈登入不進去的情況。我當時就是因為裝了最新版官方驅動，導致迴圈登入不進去，嘗試了網路上各路大神給出的方法，均不奏效。最後放棄了，還是使用自帶的開源顯示卡驅動好了。 

--------------------------------------------------------------------

　　但是即使這樣可能會出現一些特殊情況。比如使用了自帶的開源驅動，在編譯完成caffe後，執行使用GPU的測試，會提示Error: CUDA driver version is insufficient for CUDA runtime version 。這表示顯示卡驅動沒裝對。這時只能不使用GPU，僅僅使用CPU了。當然如果非要使用GPU，只能安裝合適的顯示卡驅動。正如前文所說，安裝了最新的NVIDIA顯示卡驅動反而造成Ubuntu登入出現問題，那麼應該裝哪個驅動呢？

　　開啟System Settings ——> Software & Updates——> Additional Drivers

　　我的顯示卡是GTX 760，列表中顯示驅動中較新的是352.63版本。於是，我們可以從NVIDIA官網下載這個版本的顯示卡驅動。根據自己的顯示卡和系統來下載對應的驅動，我的下載後是NVIDIA-Linux-x86_64-352.63.run。 （一種更簡單的方法是直接選中列表中的驅動版本，點選右下角的“Apply Changes”）

　　安裝方法：

　　（1）先關閉桌面系統，終端輸入：

　　 sudo service lightdm stop

　　（2）然後按Ctrl + Alt +F1進入控制檯，輸入帳號和密碼。cd到顯示卡驅動所在目錄，然後執行：

 　　sudo  sh NVIDIA-Linux-x86_64-352.63.run

　　按照指令一步步安裝完即可。

　　（3）中間可能會要求禁用自帶開源驅動並重啟計算機。重啟後需要重複之前的步驟，然後一路確認就可以了。安裝完成後，輸入命令：

　　 sudo service lightdm start

　　即可返回桌面系統。

--------------------------------------------------------------------

　　安裝完CUDA後，需要在使用者環境變數中加入兩個路徑。在終端中輸入

　　gedit  ~/.bashrc

　　在開啟的檔案末尾新增下面兩行：

　　export PATH=/usr/local/cuda-7.5/bin:$PATH
　　export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH

　　然後儲存並退出。

1.3 安裝BLAS

　　終端中輸入以下命令： 

　　sudo apt-get install libatlas-base-dev

1.4 安裝Python（可選的）

　　如果需要使用內建的Python，就需要執行下面的命令，這樣在生成pycaffe介面時候才能有Python標頭檔案：

　　sudo apt-get install the python-dev 

1.5 剩下的一些依賴 

　　sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

二、Caffe的安裝和編譯

2.1安裝Caffe

　　我們使用git來獲取Caffe，如果之前沒有安裝git，需要手動安裝

　　sudo apt-get install git 

2.2 配置Caffe

　　進入caffe的根目錄。我的caffe下載後在主目錄下，所以在終端輸入：

　　cd ~/caffe

　　然後建立一個配置檔案。由於下載後的caffe目錄中自帶一個Makefile.config.example檔案，所以只需要將該檔案複製一份，並且命名為Makefile.config即可。所以可以使用下面的命令：  

　　cp Makefile.config.example Makefile.config

　　關於Makefile.config的一些說明如下：

　　（1）使用CPU&GPU加速的Caffe，不需要修改現有配置；

　　（2）使用NVIDIA的cuDNN軟體加速的Caffe，則需要取消 “USE_CUDNN := 1”之前的註釋符號。需要指出的是，cuDNN並不是一定會比Caffe的GPU加速快。

　　（3）僅使用CPU的Caffe，取消 “CPU_ONLY := 1”前面的註釋。

2.3 編譯Caffe

　　我們使用CMake來編譯Caffe，如果之前沒有安裝CMake，需要手動安裝 

　　sudo apt-get install cmake

　　然後一次執行以下命令(如果遇到執行許可權問題，在命令前加上 sudo) 

　　mkdir build

　　cd build

　　cmake ..

　　make all

　　make install

　　sudo make runtest

　　至此，已經成功安裝了Caffe。可以在一些資料集上進行一些測試了。

三、使用Caffe

3.1 準備MNIST 資料集

　　首先準備資料集。我們需要從MNIST網站上下載資料並轉換格式。為了簡單，可以直接執行下面的命令: 

　　cd  ~/caffe

　　./data/mnist/get_mnist.sh

　　./examples/mnist/create_mnist.sh

　　執行後，在caffe/examples/mnist下會生成mnist_train_lmdb和 mnist_test_lmdb兩個資料夾。

3.2 執行結果

　　終端輸入以下命令（當前工作目錄仍然是～/caffe）: 

　　./examples/mnist/train_lenet.sh

　　執行這句命令，最後訓練成功結果如圖。