1. 程式人生 > >Ubuntu 16.04+CUDA 9.1+cuDNN v7+OpenCV 3.4.0+Caffe+PyCharm 完全安裝指南,國內最全!(適用CUDA 9.0)

Ubuntu 16.04+CUDA 9.1+cuDNN v7+OpenCV 3.4.0+Caffe+PyCharm 完全安裝指南,國內最全!(適用CUDA 9.0)

   原創部落格,轉載請說明出處!   (本人第一篇部落格,用心之作,有用求贊)

    首先得感謝一篇部落格的作者yhao:點選開啟連結 (http://blog.csdn.net/yhaolpz/article/details/71375762) 他提供了很詳細的基於CUDA 8.0 的安裝過程。由於我需要安裝的是CUDA 9.1+cuDNN v7+OpenCV 3.4.0,照搬CUDA 8.0的安裝過程會有很多錯誤出現,通過我的不斷探索也已一一解決(官方安裝文件+stackover+Nvidia官方論壇+各種搜和問),而且給出了很多可能出現問題的解決方法。我還添加了很多配置過程的說明,讓大家知其然也知其所以然。

我的安裝硬體是兩塊 TITAN Xp 顯示卡。

安裝過程分為以下八步:

1、安裝依賴包

2、安裝顯示卡驅動

3、配置環境變數

4、安裝 CUDA 9.1

5、安裝 cuDNN v7

6、安裝 OpenCV 3.4.0

7、安裝 caffe

8、用 mnist 手寫資料集驗證

9、在PyCharm上執行caffe

10、補充(持續更新)

第一步:安裝依賴包

這一步和yhao的部落格基本相同,安裝後續步驟或環境必需的依賴包,按ctrl+ALT+T進入終端,依次輸入以下命令(可複製):
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 libopenblas-dev liblapack-dev libatlas-base-dev

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

sudo apt-get install git cmake build-essential

     有一定機率安裝失敗而導致後續步驟出現問題,所以要確保以上依賴包都已安裝成功,驗證方法就是重新執行安裝命令,如驗證 git cmake build-essential是否安裝成功共則再次執行以下命令:
 sudo apt-get install git cmake build-essential 
介面提示如下則說明已成功安裝依賴包,否則繼續安裝直到安裝成功。
Reading package lists... Done
Building dependency tree       
Reading state information... Done
build-essential is already the newest version (12.1ubuntu2).
cmake is already the newest version (3.5.1-1ubuntu3).
git is already the newest version (1:2.7.4-0ubuntu1.3).
0 upgraded, 0 newly installed, 0 to remove and 126 not upgraded.

假如有安裝包一直下載失敗,可以使用:
sudo apt-get update 
更新下載源,然後重新輸入安裝命令。

第二步:安裝顯示卡驅動

Ubuntu 16.04 自帶 nouveau顯示卡驅動,這個自帶的驅動是不能用於CUDA的,需要解除安裝重灌。假如你以重灌過顯示卡驅動則可跳過這一步。沒有重灌過的就跟著我的步驟往下走。      首先得禁用Ubuntu自帶的顯示卡驅動nouveau,只有在禁用掉 nouveau 後才能順利安裝 NVIDIA 顯示卡驅動,禁用方法就是在 /etc/modprobe.d/blacklist-nouveau.conf 檔案中新增一條禁用命令,首先需要開啟該檔案,通過以下命令開啟:
sudo gedit /etc/modprobe.d/blacklist-nouveau.conf
開啟後發現該檔案中沒有任何內容,寫入:
blacklist nouveau
options nouveau modeset=0

儲存時命令視窗可能會出現以下提示:
** (gedit:4243): WARNING **: Set document metadata failed: 不支援設定屬性 metadata::gedit-position
無視此提示~,儲存後關閉檔案,注意此時還需執行以下命令使禁用 nouveau 真正生效:
sudo update-initramfs -u
然後測試一下,假如輸入以下命令什麼都沒顯示那麼說明禁用nouveau生效了
lsmod | grep nouveau

接下來就可以開始重灌顯示卡驅動了。 特別注意!!!!!!!!!!!!!!


雖然CUDA 9.1 安裝包裡說需要安裝384.00版本之後的驅動,但是親測384.98和384.111都是不支援CUDA 9.1的,這也在NVIDIA官方論壇裡得到了NVIDIA工程師的肯定,巨坑!所以假如親們無法安裝CUDA 9.1安裝包裡自帶的387版本的驅動,那麼就放棄CUDA 9.1,轉而下載安裝CUDA 9.0。CUDA 9.0是支援384.xx版本的驅動的,配置方法完全相同,此部落格同樣適用,只是路徑中若出現cuda-9.1的地方改成cuda-9.0即可。CUDA 9.0的下載見“10、補充”。
重灌顯示卡驅動提供兩種方法:(方法二不適用於 CUDA 9.1,但是適用於CUDA 9.0) 方法一:使用 CUDA 9.1 安裝包裡自帶的驅動

CUDA 9.1安裝包裡自帶的顯示卡驅動為:linux-x86_64 387.26,可以適配新出的很多顯示卡。(特別說明:我的電腦安裝完387.26版本的驅動後成功配置了caffe,但在某次異常斷電重啟後顯示卡驅動失效,感覺此驅動不穩定。求穩的朋友可以安裝CUDA 9.0,配置方法此部落格同樣適用。)

CUDA 9.1 和cuDNN安裝包沒下的同志可以從我自己上傳的百度雲下載:連結:https://pan.baidu.com/s/1c4m5aiG 密碼:ckj4

      下載完成後,把解壓出來的CUDA 安裝檔案(cuda_9.1.85_387.26_linux.run)移動到 HOME 路徑下,方便安裝過程的檔案檢索。然後通過 Ctrl + Alt + F1 進入文字模式,輸入帳號密碼登入,通過 Ctrl + Alt + F7 可返回圖形化模式,在文字模式登入後首先關閉桌面服務:
sudo service lightdm stop
     這裡會要求你輸入賬戶的密碼。然後通過 Ctrl + Alt + F7 發現已無法成功返回圖形化模式,說明桌面服務已成功關閉,注意此步對接下來的 nvidia 驅動安裝尤為重要,必需確保桌面服務已關閉。按Ctrl + Alt + F1 再次進入文字模式,先解除安裝之前的顯示卡驅動:
sudo apt-get purge nvidia*
然後執行 CUDA 安裝檔案安裝驅動,之前我們已經把 CUDA 安裝檔案移動至 HOME資料夾,直接通過 sh 命令執行安裝檔案即可:
sudo sh cuda_9.1.85_387.26_linux.run --no-opengl-libs    #run檔案的檔名根據自己下的檔名修改,預設是我提供的檔案
     執行此命令約1分鐘後會出現安裝協議要你看,剛開始是0%,此時長按回車鍵讓此百分比增長,直到100%,然後按照提示操作即可,先輸入 accept ,然後是否安裝顯示卡驅動選擇yes
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 387.26?
(y)es/(n)o/(q)uit: y

    之後會問你是否安裝 nvidia-xconfig,建議選擇no。

do you want to run nvidia-xconfig?
(y)es/(n)o/(q)uit: n

     是否安裝 CUDN 9.1 都選擇no。也就是我們這次只安裝一個顯示卡驅動,目的是先保證顯示卡驅動安裝成功,否則安裝CUDA 9.1很容易失敗。

Install the CUDA 9.1 Samples?
(y)es/(n)o/(q)uit: n
Install the CUDA 9.1 Toolkit?
(y)es/(n)o/(q)uit: n
安裝完成後重啟系統:
reboot
     重啟系統後看看桌面顯示的解析度正不正常。如果應用圖示很大,畫素很渣,說明顯示卡驅動沒有安裝成功,有可能是因為禁用nouveau沒有生效,也有可能是驅動不匹配,這時候可以使用我提供的方法二。安裝完成後通過以下命令檢視顯示卡資訊:
nvidia-settings

我的電腦顯示如下資訊:


方法二:直接線上安裝(此方法需要聯網),適用於CUDA 9.0

注意:再次提醒此方法暫時不適用於CUDA 9.1

首先仍舊是關閉桌面服務並解除安裝之前的顯示卡驅動(這兩步見方法一),隨後加入官方ppa源:

sudo add-apt-repository ppa:graphics-drivers/ppa
之後重新整理軟體庫並安裝顯示卡驅動:
sudo apt-get update

sudo apt-get install nvidia-384 nvidia-settings nvidia-prime
      我用此命令會自動安裝 384.111版本的驅動(我使用 nvidia-367 安裝的也是384.111版本的驅動)。安裝完成後輸入reboot重啟系統,假如桌面解析度沒什麼問題應該安裝成功了。之後通過下面命令檢視顯示卡資訊:
nvidia-settings


第三步:配置環境變數

使用 gedit 命令開啟配置檔案:
sudo gedit ~/.bashrc
開啟後在檔案最後加入以下兩行內容:

export LD_LIBRARY_PATH=/usr/lib/x86_64-linux-gnu:$LD_LIBRARY_PATH

export LD_LIBRARY_PATH=/lib/x86_64-linux-gnu:$LD_LIBRARY_PATH 
儲存並退出。

第四步:安裝 CUDA 9.1

安裝完顯示卡驅動後,CUDA toolkit和samples可單獨安裝,直接在終端執行安裝,無需進入文字模式:

sudo sh cuda_9.1.85_387.26_linux.run --no-opengl-libs
 執行此命令約1分鐘後會出現安裝協議要你看,剛開始是0%,此時長按回車鍵讓此百分比增長,直到100%,然後按照提示操作即可,先輸入 accept ,是否安裝顯示卡驅動選擇no:
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 387.26?
(y)es/(n)o/(q)uit: n

其他的都選擇yes或者預設,等待安裝完成:

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 387.26?
(y)es/(n)o/(q)uit: n

Install the CUDA 9.1 Toolkit?
(y)es/(n)o/(q)uit: y

Enter Toolkit Location
 [ default is /usr/local/cuda-9.1 ]: 

Do you want to install a symbolic link at /usr/local/cuda?
(y)es/(n)o/(q)uit: y

Install the CUDA 9.1 Samples?
(y)es/(n)o/(q)uit: y

Enter CUDA Samples Location
 [ default is /home/ccem ]: 

Installing the CUDA Toolkit in /usr/local/cuda-9.1 ...
Installing the CUDA Samples in /home/ccem ...
Copying samples to /home/ccem/NVIDIA_CUDA-9.1_Samples now...
Finished copying samples.

===========
= Summary =
===========

Driver:   Not Selected
Toolkit:  Installed in /usr/local/cuda-9.1
Samples:  Installed in /home/ccem

Please make sure that
 -   PATH includes /usr/local/cuda-9.1/bin
 -   LD_LIBRARY_PATH includes /usr/local/cuda-9.1/lib64, or, add /usr/local/cuda-9.1/lib64 to /etc/ld.so.conf and run ldconfig as root

To uninstall the CUDA Toolkit, run the uninstall script in /usr/local/cuda-9.1/bin

Please see CUDA_Installation_Guide_Linux.pdf in /usr/local/cuda-9.1/doc/pdf for detailed information on setting up CUDA.

***WARNING: Incomplete installation! This installation did not install the CUDA Driver. A driver of version at least 384.00 is required for CUDA 9.1 functionality to work.
To install the driver using this installer, run the following command, replacing <CudaInstaller> with the name of this run file:
 sudo <CudaInstaller>.run -silent -driver

Logfile is /tmp/cuda_install_36731.log

假如出現:

Installing the CUDA Toolkit in /usr/local/cuda-9.1 … 
Missing recommended library: libGLU.so 
Missing recommended library: libX11.so 
Missing recommended library: libXi.so 
Missing recommended library: libXmu.so
原因是缺少相關的依賴庫,安裝相應庫就解決了,安裝庫完成後重灌一下CUDA Toolkit即可:
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev 

安裝完成後配置CUDA環境變數,使用 gedit 命令開啟配置檔案:

sudo gedit ~/.bashrc
在該檔案最後加入以下兩行並儲存:
export PATH=/usr/local/cuda/bin:$PATH     #/usr/local/cuda和/usr/local/cuda-9.1是同一個資料夾,前者是後者的映象

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
使該配置生效:
source ~/.bashrc

檢驗CUDA 是否安裝成功,輸入:

cd /usr/local/cuda-9.1/samples/1_Utilities/deviceQuery

sudo make

./deviceQuery

會出現你的顯示卡的詳細資訊。假如出現:

./deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking)

cudaGetDeviceCount returned 35
-> CUDA driver version is insufficient for CUDA runtime version
Result = FAIL
那說明顯示卡驅動版本和CUDA 9.1不適配,目前 384.xx版本的驅動是不支援CUDA 9.1 的,這時候就嘗試安裝更加新的驅動。若還是不行就放棄 CUDA 9.1,安裝CUDA 9.0吧,趁還來得及。此部落格同樣適用於安裝CUDA 9.0,只需將配置檔案中出現cuda-9.1的地方改成cuda-9.0即可。

解除安裝CUDA 9.1 的方法:

cd /usr/local/cuda/bin
sudo ./uninstall_cuda_9.1.pl

解除安裝完成後如果顯示:Not removing directory, it is not empty: /usr/local/cuda-9.1 ,假如需要重灌CUDA 9.0的話就把這個資料夾刪除。在/usr/local/路勁下輸入:

sudo rm -r cuda-9.1


第五步:安裝cuDNN v7

我提供的百度雲檔案解壓後的cudnn檔案以“.solitairetheme8”結尾,將其重新命名為“.tgz”結尾的檔案,然後解壓到當前資料夾,得到一個cudn 資料夾,該資料夾下有include 和 lib64 兩個資料夾,命令列進入其中的include 資料夾路徑下,然後進行以下操作:
sudo cp cudnn.h /usr/local/cuda/include/ #複製標頭檔案
然後命令列進入 cudn/lib64 資料夾路徑下,執行以下命令(CUDA 9.0也是一樣的命令):
sudo cp lib* /usr/local/cuda/lib64/ #複製動態連結庫
cd /usr/local/cuda/lib64/ 
sudo rm -rf libcudnn.so libcudnn.so.7  #刪除原有動態檔案
sudo ln -s libcudnn.so.7.0.5 libcudnn.so.7  #生成軟銜接
sudo ln -s libcudnn.so.7 libcudnn.so  #生成軟連結
隨後需要將路徑/usr/local/cuda/lib64 新增到動態庫,分兩步:

      1)安裝vim。輸入:

sudo apt-get install vim-gtk
      2)輸入:
sudo vim /etc/ld.so.conf.d/cuda.conf
          鍵盤按i進入編輯狀態,新增文字:                 
/usr/local/cuda/lib64
        然後按esc,輸入:(注意有冒號)
:wq  #儲存退出

       終端下接著輸入 sudo ldconfig 命令使連結生效。

      軟連結後可以用sudo ldconfig -v 命令檢視是否連結成功:是否有/usr/local/cuda/lib64資料夾。ldconfig命令的用途主要是在預設搜尋目錄/lib和/usr/lib以及動態庫配置檔案/etc/ld.so.conf內所列的目錄下,搜尋出可共享的動態連結庫(格式如lib*.so*),進而創建出動態裝入程式(ld.so)所需的連線和快取檔案。


     安裝完成後可用 nvcc -V 命令驗證是否安裝成功,若出現以下資訊則表示安裝成功:

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2017 NVIDIA Corporation
Built on Fri_Nov__3_21:07:56_CDT_2017
Cuda compilation tools, release 9.1, V9.1.85

第六步:安裝 OpenCV 3.4.0 

   進入官網 : http://opencv.org/releases.html , 選擇 3.4.0 版本的 sources , 下載 opencv-3.4.0.zip 。隨後解壓到你要安裝的位置,命令列進入已解壓的資料夾 opencv-3.4.0 目錄下,執行:
mkdir build # 建立編譯的檔案目錄

cd build

cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..

make -j8  #編譯
在98%的時候會等很久很久,屬於正常現象。編譯過程很順利,編譯成功後安裝:
sudo make install #安裝
安裝完成後通過檢視 opencv 版本驗證是否安裝成功:
pkg-config --modversion opencv

解除安裝OpenCV的方法:進入OpenCV解壓資料夾中的buid 資料夾:

cd /home/ccem/opencv-3.4.0/build
執行:
sudo make uninstall
然後把整個opencv-3.4.0資料夾都刪掉。隨後再執行:
sudo rm -r /usr/local/include/opencv2 /usr/local/include/opencv /usr/include/opencv /usr/include/opencv2 /usr/local/share/opencv /usr/local/share/OpenCV /usr/share/opencv /usr/share/OpenCV /usr/local/bin/opencv* /usr/local/lib/libopencv
把一些殘餘的動態連結檔案和空資料夾刪掉。有些資料夾已經被刪掉了所以會找不到路徑。

第七步:安裝 Caffe

首先cd 到你要安裝的路徑下執行:
git clone https://github.com/BVLC/caffe.git
這時候會出現一個caffe資料夾。命令列進入此資料夾,執行:
sudo cp Makefile.config.example Makefile.config
    此命令是將 Makefile.config.example 檔案複製一份並更名為 Makefile.config ,複製一份的原因是編譯 caffe 時需要的是 Makefile.config 檔案,而Makefile.config.example 只是caffe 給出的配置檔案例子,不能用來編譯 caffe。 然後修改 Makefile.config 檔案,在 caffe 目錄下開啟該檔案:
sudo gedit Makefile.config

修改 Makefile.config 檔案內容:

1.應用 cudnn
將:
#USE_CUDNN := 1
修改為: 
USE_CUDNN := 1

2.應用 opencv 3 版本
將:
#OPENCV_VERSION := 3 
修改為: 
OPENCV_VERSION := 3

3.使用 python 介面
將:
#WITH_PYTHON_LAYER := 1 
修改為 
WITH_PYTHON_LAYER := 1

4.修改 python 路徑
將:
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib 
修改為: 
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  

此python路徑為系統自帶python的路徑,假如想使用Anaconda的python的話需要在其他地方修改。
5.去掉compute_20
找到
# CUDA architecture setting: going with all of them.
# For CUDA < 6.0, comment the *_50 through *_61 lines for compatibility.
# For CUDA < 8.0, comment the *_60 and *_61 lines for compatibility.
# For CUDA >= 9.0, comment the *_20 and *_21 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_52,code=sm_52 \
            -gencode arch=compute_60,code=sm_60 \
            -gencode arch=compute_61,code=sm_61 \
            -gencode arch=compute_61,code=compute_61

改為:
# CUDA architecture setting: going with all of them.
# For CUDA < 6.0, comment the *_50 through *_61 lines for compatibility.
# For CUDA < 8.0, comment the *_60 and *_61 lines for compatibility.
# For CUDA >= 9.0, comment the *_20 and *_21 lines for compatibility.
CUDA_ARCH := -gencode arch=compute_30,code=sm_30 \
            -gencode arch=compute_35,code=sm_35 \
            -gencode arch=compute_50,code=sm_50 \
            -gencode arch=compute_52,code=sm_52 \
            -gencode arch=compute_60,code=sm_60 \
            -gencode arch=compute_61,code=sm_61 \
            -gencode arch=compute_61,code=compute_61


由於CUDA 9.x +並不支援compute_20,此處不修改的話編譯caffe時會報錯:
nvcc fatal   : Unsupported gpu architecture 'compute_20'

然後修改 caffe 目錄下的 Makefile 檔案(修改的地方找起來比較困難的話可以複製到word裡查詢):

將:
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)
替換為:
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
將:
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5
改為:
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial

     至此caffe配置檔案修改完畢,可以開始編譯了。假如顯示卡不是feimi架構的可以輸入如下命令防止出現Unsupported gpu architecture 'compute_20'的問題
cmake -D CMAKE_BUILD_TYPE=RELEASE  -D CUDA_GENERATION=Kepler ..
在 caffe 目錄下執行 :
make all -j8
這時如果之前的配置或安裝出錯,那麼編譯就會出現各種各樣的問題,所以前面的步驟一定要細心。假如編譯失敗可對照出現的問題Google解決方案,再次編譯之前使用 sudo make clean 命令清除之前的編譯,報錯:nothing to be done for all 就說明沒有清除之前的編譯。編譯成功後可執行測試:
sudo make runtest -j8
執行結果如下:


可以看到2123個tests中只有一個失敗了:
BatchReindexLayerTest/3.TestGradient, where TypeParam = caffe::GPUDevice<double>
Google了一下,貌似使用CUDA 9.1加雙顯示卡的都有這個錯誤,暫且不管它,目前不影響使用。使用mnist測試程式是可以執行的。CUDA 9.0則測試全部通過。

第八步:用 mnist 手寫資料集驗證

mnist測試方法如下(以下命令都在caffe目錄下執行):
1)進入caffe資料夾,看看此資料夾裡是否有一個build資料夾,沒有的話執行:
make all -j8
2)下載mnist資料庫,在caffe目錄下執行:
sudo ./data/mnist/get_mnist.sh
3)將二進位制資料庫檔案轉換成lmdb資料庫格式:
sudo ./examples/mnist/create_mnist.sh
4)訓練lenet網路:
sudo ./examples/mnist/train_lenet.sh
結果如下:

可以看到測試的識別準確率為 99.08%。至此整個caffe已經配置完畢。

第九步:在PyCharm上執行caffe  

目前雖然已經成功配置了caffe,但是隻能在命令列裡執行,弊端很明顯,不利於除錯。所以可以配置一下使其在PyCharm上執行。PyCharm是一種Python IDE,帶有一整套可以幫助使用者在使用Python語言開發時提高其效率的工具,比如除錯、語法高亮、Project管理、程式碼跳轉、智慧提示、自動完成、單元測試、版本控制。
我已經成功在PyCharm上運行了caffe,這一部分我另外寫了一篇部落格,詳見:點選開啟連結 
:http://blog.csdn.net/balixiaxuetian/article/details/79161821

10、補充(持續更新)

1)caffe配置完成後將cuda 9.1換成 9.0的方法

我前面也提到過,電腦安裝CUDA 9.1自帶的顯示卡驅動版本 387.26不穩定,在某次重啟後失效了。於是我重新安裝了384.111版本的顯示卡驅動。但噁心的是,CUDA 9.1 不支援384.xx版本的驅動,於是我想換成CUDA 9.0。但是此時我已經完全配置好caffe了,不需要全部推倒重來,只需先解除安裝CUDA 9.1和openCV 3.4.0,然後重灌CUDA 9.0,cuDNN 和openCV 3.4.0 即可,解除安裝的方法前面步驟裡有,其他的都不需要動(完全按照我的教程配置的話環境變數都不需要改,否則需要檢查一下環境變數,將cuda-9.1出現的地方換成cuda-9.0), make runtest 即可全部通過。第九步中把pycaffe重新編譯一下即可。

 2)CUDA 9.0下載

CUDA 9.0可在此連結下載:https://developer.nvidia.com/cuda-toolkit-archive,還需要下載對應的cuDNN:https://developer.nvidia.com/rdp/cudnn-download#a-collapse704-9 ,也可以通過我的百度雲分享下載,見我的資源:點選開啟連結http://download.csdn.net/download/balixiaxuetian/10229488