Caffe安裝

實際上在windows上安裝過多次caffe了，無論是BLVC版本的還是Microsoft版本的，ubuntu的按照也進行過，這段時間在自己筆記本上
又折騰了下caffe安裝，發現其實直接照著官方的是最方便快捷的。
具體可以參照 Installation instructions

具體步驟

根據系統的不同，ubuntu分為兩種安裝方式。Ubuntu17.04以即上的可以直接apt-get

  sudo apt install caffe-cpu # cpu only
  sudo apt install caffe-cuda # gpu

其他版本的ubuntu也可以分為兩種方式安裝，但是依賴項是必須的，本文僅介紹簡易的軟體源中快速安裝。原始碼安裝可以參考本人的另外一篇部落格：

Nvidia顯示卡驅動

由於要使用GPU，所以先要檢視自己顯示卡所匹配的顯示卡驅動，網址：nvidia ,下載run檔案。
由於目前顯示卡和cuda更新迅速，容易造成筆記本迴圈登入，因此安裝顯示卡驅動是關閉圖形介面。

  # ctrl +alt +F1 進入tty1，
  sudo service lightdm stop
  sudo ./Nvidia-.....run 執行安裝
  sudo reboot

Cuda和CuDnn

安裝較為簡單，官網下載，在安裝cuda是需要注意顯示卡安裝選項選擇no即可。

    sudo sh cuda_8.0.44_linux.run --override
    # 安裝結束後
    sudo vim ~/.bashrc  //末尾新增
    export CUDA_HOME=/usr/local/cuda-8.0
    export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH
    export PATH=/usr/local/cuda-8.0/bin:$PATH
    source ~/.bashrc

    # 測試
    cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery
    make -j32
    sudo ./deviceQuery
 

cudnn下載後接下的include lib拷貝到cuda的安裝路徑，並設定連結。

   sudo ln -s libcudnn.so.xxx libcudnn
   sudo ln -s libcudnn.so.xx libcudd.so
   sudo ldconfig

其他依賴項

其他依賴項安裝可以直接從軟體源獲取，當然也可以自己原始碼安裝。

  # protobuf,snappy,leveldb,opencv,hdf5,boost ,python-opencv,glog ,gflag,lmdb
  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 python-dev python-opencv
  sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
 

關於blas可以選擇atlas，openblas和MKL，由於後續cmake方式安裝預設atlas，所以本人也用次

  sudo apt-get install libatlas-base-dev
  # openblas也很方便
  sudo apt-get install libopenblas-dev

Matlab的介面可以自己先安裝matlab ，此處省略，同時python可以安裝anconda來管理庫

安裝

Caffe

下載BVLC的caffe

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

編譯

1.Make方式

Make方式為官方的編譯方式，但是在後續caffe的使用時會稍顯麻煩，這裡要注意根據安裝的庫以及自己是否使用gpu、cudnn以及bals的選擇等作出修改

  cp Makefile.config.example Makefile.config
  # For CPU & GPU accelerated Caffe, no changes are needed.
  #For cuDNN acceleration using NVIDIA’s proprietary cuDNN software, uncomment the USE_CUDNN := 1 switch in #Makefile.config. cuDNN is sometimes but not always faster than Caffe’s GPU acceleration.
  #For CPU-only Caffe, uncomment CPU_ONLY := 1 in Makefile.config.
  # Adjust Makefile.config (for example, if using Anaconda Python, or if cuDNN is desired)
  make all -j8
  make test
  make runtest

2.Cmake方式

Cmake方式針對自己使用Caffe以及從軟體源安裝Caffe的使用者來說簡直不要更方便.

  mkdir build
  cd build
  cmake ..
  make all
  make install
  make runtest

由於自己使用Caffe不僅僅是停留在訓練，可能很多都要具體的測試實際的專案，因此相比於Make方式，Cmake的優勢就大大體現出來了。具體例子可以在我的github上看到https://github.com/zhanglaplace/MTCNN-Accelerate-Onet
編譯自己的專案，僅僅需要寫一個簡單的CMakeLists.txt檔案，並且檔案內的內容可以保證百分之九十的不變，這使得驗證演算法和專案變得相當方便.(強烈推薦)

  cmake_minimum_required(VERSION 2.9)
  project(MTCNN_Accelerate-Onet)  // 根據自己工程名字修改

  #set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11")
  set(CMAKE_CXX_STANDARD 11)

  find_package(OpenCV)

  find_package(Caffe REQUIRED)
  #message(FATAL_ERROR ${Caffe_INCLUDE_DIRS})
  include_directories(${Caffe_INCLUDE_DIRS})

  set(SOURCE_FILES main.cpp mtcnn.cpp mtcnn.h) // 根據自己實際原始碼修改
  add_executable(MTCNN_Accelerate-Onet ${SOURCE_FILES})

  target_link_libraries(MTCNN_Accelerate-Onet ${OpenCV_LIBS} )
  target_link_libraries(MTCNN_Accelerate-Onet ${Caffe_LIBRARIES})