caffe的編譯配置真的是很讓人頭疼啊，不知道試過(guò)多少次了~~~

---

重裝系統(tǒng)了七八次，搞得Linux的一些常用命令倒是很熟悉了~~~

我有潔癖~~~某一個(gè)點(diǎn)上出了錯(cuò)，我一定要把它搞好了，再重新來(lái)一次，我怕會(huì)因?yàn)槟骋稽c(diǎn)的小錯(cuò)誤會(huì)影響到其它重要的地方。。。(有同感的默默在心里舉個(gè)爪~~~^_^~~~)

又折騰了好幾次，參考了很多的博客，總結(jié)出一整套的安裝配置流程！

開始：

---

?

0、先行設(shè)置系統(tǒng)軟件源更新，以及目錄設(shè)置

• 網(wǎng)絡(luò)無(wú)問(wèn)題即可，不用太糾結(jié)

　　更新sources.list，我使用的是ipv6校園網(wǎng)，用清華大學(xué)軟件源。 修改完list文件后sudo apt-get update 1、系統(tǒng)驅(qū)動(dòng)+CUDA安裝配置

• 需要更換默認(rèn)的驅(qū)動(dòng)和安裝CUDA，但是如果你的cuda的計(jì)算能力達(dá)不到3.0及以上，請(qǐng)?zhí)^(guò)本部分。

　　驅(qū)動(dòng)安裝過(guò)程中可能會(huì)出現(xiàn)問(wèn)題：the nouveao kernel driver未禁用的錯(cuò)誤。
　　　　sudo gedit /etc/modprobe.d/blacklist.conf
　　在最后加上兩行：　　　　

　　1 blacklist nouveau2 options nouveau modeset=0

　　然后執(zhí)行：

　　　　sudo update-initramfs -u
　　reboot重啟即可。重啟后會(huì)發(fā)現(xiàn)字體變大了。

　　即是初始驅(qū)動(dòng)已經(jīng)禁用了。再次重試安裝即可。

然后再在字符界面下安裝： 　　進(jìn)入字符界面tty1：關(guān)閉X-Window：sudo service lightdm stop，然后切換到tty1：Ctrl+Alt+F1，在純字符界面下，登陸用戶； 顯卡驅(qū)動(dòng)：安裝使用 NVIDIA-Linux-x86_64-367.44.run文件 　　1 sudo chmod +x NVIDIA-Linux-x86_64-367.44.run2 sudo ./NVIDIA-Linux-x86_64-367.44.run 然后一路確認(rèn)即可。 CUDA安裝有兩種方式安裝，run文件和deb文件兩種，優(yōu)先使用deb，如果安裝出錯(cuò)再考慮使用run文件安裝。 deb:(這里的安裝時(shí)需要網(wǎng)絡(luò)的，即軟件源能連通)　　 　　　　　　　　1sudo dpkg -i cuda-repo-ubuntu1604-8-0-rc_8.0.27-1_amd64.deb2sudo apt-get update3sudo apt-get install cuda4sudo dpkg -i cuda-misc-headers-8-0_8.0.27.1-1_amd64.deb run: 1、sudo sh cuda_8.0.27_linux.run 然后一路按空格鍵，直到100%，其它選項(xiàng)基本選擇y即可，但是取消顯卡驅(qū)動(dòng)的安裝即可。 配置與測(cè)試：

　　　　1、聲明環(huán)境變量：
　　　　　　export PATH=/usr/local/cuda-8.0/bin{PATH:+:{PATH:+:{PATH}}
　　　　　　export CUDA_PATH=/usr/local/cuda-8.0/lib64{CUDA_PATH:+:{CUDA_PATH:+:{CUDA_PATH}}
　　　　2、設(shè)置文件：
　　　　　　sudo gedit /etc/profile
　　　　3、在文件末尾添加：
　　　　　　export PATH=/usr/local/cuda/bin:$PATH
　　　　4、創(chuàng)建鏈接文件：
　　　　　　sudo gedit /etc/ld.so.conf.d/cuda.conf
　　　　5、在打開的文件中添加：
　　　　　　/usr/local/cuda/lib64
　　　　6、最后執(zhí)行
　　　　　　sudo ldconfig
　　　　7、運(yùn)行測(cè)試用例
　　　　　　cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery
　　　　　　sudo make
　　　　　　sudo ./deviceQuery
　　　　　　然后即可顯示出關(guān)于GPU的信息，則說(shuō)明安裝成功了
　　　　8、另外使用命令：nvidia-smi直接會(huì)輸出支持cuda的GPU設(shè)備列表

2、cuDNN設(shè)置

• 這里設(shè)置使用cudnn加速，一定注意前面說(shuō)的計(jì)算能力問(wèn)題，后面還會(huì)提到！！！　

下載的壓縮包：cudnn-8.0-linux-x64-v5.0-ga.tgz，解壓縮會(huì)有兩個(gè)文件夾include和lib64 依次進(jìn)行如下命令：

　　　　cd cuda
　　　　sudo cp ./include/cudnn.h /usr/local/cuda/include/ #復(fù)制頭文件
　　　　sudo cp ./lib64/lib* /usr/local/cuda/lib64/ #復(fù)制動(dòng)態(tài)鏈接庫(kù)

　　　　cd /usr/local/cuda/lib64/
　　　　sudo rm -rf libcudnn.so libcudnn.so.5 #刪除原有動(dòng)態(tài)文件
　　　　sudo ln -s libcudnn.so.5.0.5 libcudnn.so.5 #生成軟銜接
　　　　sudo ln -s libcudnn.so.5 libcudnn.so #生成軟鏈接

在caffe的Makefile.config文件中開啟cuDNN 　　1 # cuDNN acceleration switch (uncomment to build with cuDNN).2 USE_CUDNN := 1

　　查看CUDA計(jì)算容量：

sudo /usr/local/cuda/samples/bin/x86_64/linux/release/deviceQuery

2.1

　　在caffe的Makefile.config文件中，找到并修改：

CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \-gencode arch=compute_20,code=sm_21 \-gencode arch=compute_21,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 ?　　不知道是不是有什么用處，但是據(jù)說(shuō)cudnn加速需要cuda計(jì)算能力在3.0以上才可以！ 3、OpenCV安裝配置 這里使用OpenCV2.4.13，將opencv也安裝到與cuda一致的目錄下：/usr/local/opencv***

• 這里需要注意opencv的版本：最好使用2.4.13，其它版本會(huì)出錯(cuò)誤！！！

1、準(zhǔn)備文件，依次如下使用命令行： 　　　　　　sudo cp opencv-2.4.13.zip /usr/local/ 　　　　　　cd /usr/local/ 　　　　　　sudo unzip opencv-2.4.13.zip 　　　　　　cd ./opencv-2.4.13 　　　　　　mkdir build 2、配置生成Makefile cd build 　　　　sudo cmake? 可能會(huì)出現(xiàn)如下錯(cuò)誤，若無(wú)直接跳過(guò)： 可能會(huì)提示缺少相關(guān)的依賴庫(kù)以及下載文件失敗等錯(cuò)誤。 　　　　　　比如ippicv_linux_******.tgz包下載失敗而導(dǎo)致Makefile生成失敗，可通過(guò)手動(dòng)下載，然后放置到路徑opencv-2.4.13/3rdparty/ippicv/downloads/linux-808********目錄內(nèi)： 　　　　　　sudo rm /usr/local/opencv-2.4.13/3rdparty/ippicv/downloads/linux-808b791a6eac9ed78d32a7666804320e/ippicv_linux_20151201.tgz 　　　　　　sudo cp /home/leeyang/ippicv_linux_20151201.tgz /usr/local/opencv-2.4.13/3rdparty/ippicv/downloads/linux-808b791a6eac9ed78d32a7666804320e/ 重新執(zhí)行配置命令即可。 先考慮安裝上一些相關(guān)庫(kù)： sudo apt-get install --assume-yes libopencv-dev build-essential git unzip libgtk2.0-dev pkg-config libdc1394-22 　　　　　　libdc1394-22-dev libjpeg-dev libpng12-dev libtiff5-dev libjasper-dev libavcodec-dev libavformat-dev libswscale-dev 　　　　　　libxine2-dev libgstreamer0.10-dev libgstreamer-plugins-base0.10-dev libv4l-dev libtbb-dev libqt4-dev libfaac-dev? 　　　　　　libmp3lame-dev libopencore-amrnb-dev libopencore-amrwb-dev libtheora-dev libvorbis-dev libxvidcore-dev x264 v4l-utils 執(zhí)行： sudo cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local .. ? ? ? (這里的兩個(gè)點(diǎn)不要忽略！！) 最終輸出，則配置和生成成功 -- Configuring done 　　　　　　-- Generating done 　　　　　　-- Build files have been written to: /home/leeyang/opencv-2.4.13/build 3、最后進(jìn)行編譯安裝

　　　　　　注意編譯之前確保numpy已經(jīng)安裝，否則最后不會(huì)生成cv2.so
　　　　　　　　sudo apt-get install Python-numpy python3-numpy
　　　　　　可能會(huì)出現(xiàn)錯(cuò)誤：error:1 /usr/include/string.h:652:42: error: ‘memcpy’ was not declared in this scope

　　　　　　原因是g++版本太新了，需要在CMakeLists.txt中前面幾行添加
　　　　　　set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -D_FORCE_INLINES")
　　　　　　然后再重新執(zhí)行2中的cmake一次即可。

在build目錄下執(zhí)行： sudo make -j8 需要執(zhí)行一段時(shí)間。。。 安裝并進(jìn)行配置： sudo make install 　　　　　　sudo /bin/bash -c 'echo "/usr/local/lib" > /etc/ld.so.conf.d/opencv.conf' 　　　　　　sudo ldconfig 　　　　　　　　如果編譯安裝等出錯(cuò)，可以嘗試一下自動(dòng)腳本進(jìn)行安裝配置： 　　　　　　　　　　https://github.com/jayrambhia/Install-OpenCV 　　　　　　　　　　直接使用opencv-2.4.13(使用opencv3.0、3.1、2.4.10都會(huì)編譯出錯(cuò)) 　　　　　　　　　　對(duì)與cuda8.0，opencv3.0或者2.4.10都會(huì)報(bào)如下錯(cuò)誤，使用opencv2.4.13就沒(méi) 有問(wèn)題。(唯一一個(gè)2016年發(fā)布的版本) 　　　　　　　　　　Ubuntu/3.0/OpenCV/opencv-3.0.0/modules/cudalegacy/src/graphcuts.cpp:120:54: error: ‘NppiGraphcutState’ 　　　　　　　　　　has not been declared ?typedef NppStatus (*init_func_t)(NppiSize oSize, NppiGraphcutState** ppState, Npp8u* pDeviceMem); 4、Python以及 Matlab with python engine 　　　　　　 　　　　　　這里解釋一下：有了默認(rèn)的python，為什么還要安裝python-dev？

　　　　　　　　linux發(fā)行版通常會(huì)把類庫(kù)的頭文件和相關(guān)的pkg-config分拆成一個(gè)單獨(dú)的xxx-dev(el)包.

　　　　　　　　以python為例, 以下情況你是需要python-dev的
　　　　　　　　你需要自己安裝一個(gè)源外的python類庫(kù), 而這個(gè)類庫(kù)內(nèi)含需要編譯的調(diào)用python api的c/c++文件
　　　　　　　　你自己寫的一個(gè)程序編譯需要鏈接libpythonXX.(a|so)
　　　　　　　　(注:以上不含使用ctypes/ffi或者裸dlsym方式直接調(diào)用libpython.so)
　　　　　　　　其他正常使用python或者通過(guò)安裝源內(nèi)的python類庫(kù)的不需要python-dev.

還是直接使用默認(rèn)python+python-dev的方式來(lái)進(jìn)行使用吧，再額外安裝一個(gè)spyder來(lái)使用。 這里的安裝步驟是：Python依賴包、Matlab、Matlab engine for python 這里的安裝使用需要搞明白三個(gè)變量路徑：PYTHON_INCLUDE、PYTHON_LIBRARIES、PYTHON_LIB，在安裝好相關(guān)軟件后，找到各自對(duì)應(yīng)的路徑即可。 1、Python依賴包 1、直接使用系統(tǒng)默認(rèn)python2.7的版本 ①、安裝相應(yīng)的發(fā)布版本：sudo apt-get install python2.7 python2.7-dev ②、安裝相應(yīng)的build依賴包： sudo apt-get install build-essential libssl-dev libevent-dev libjpeg-dev libxml2-dev libxslt-dev ③、安裝pip：sudo apt-get install python-pip 2、安裝所有與python相關(guān)的包 ①、依據(jù)下面的依賴包項(xiàng)目，逐條執(zhí)行，使用pip進(jìn)行安裝。 先一句安裝，出錯(cuò)了再逐條安裝： sudo pip install cython numpy scipy scikit-image matplotlib ipython h5py leveldb networkx nose pandas 　　　　　　　　　　python-dateutil protobuf python-gflags pyyaml pillow six 逐條： sudo pip install cython 　　　　　　　　　　sudo pip install numpy 　　　　　　　　　　sudo pip install scipy 　　　　　　　　　　sudo pip install scikit-image 　　　　　　　　　　sudo pip install matplotlib 　　　　　　　　　　sudo pip install ipython 　　　　　　　　　　sudo pip install h5py 　　　　　　　　　　sudo pip install leveldb 　　　　　　　　　　sudo pip install networkx 　　　　　　　　　　sudo pip install nose 　　　　　　　　　　sudo pip install pandas 　　　　　　　　　　sudo pip install python-dateutil 　　　　　　　　　　sudo pip install protobuf 　　　　　　　　　　sudo pip install python-gflags 　　　　　　　　　　sudo pip install pyyaml 　　　　　　　　　　sudo pip install pillow 　　　　　　　　　　sudo pip install six 依賴包版本號(hào)要求列表： 　　　　　　　　　　?

cython>=0.19.2

?

?

?

　　　　　　　　　　numpy>=1.7.1

?

?

　　　　　　　　　　scipy>=0.13.2

?

?

?

　　　　　　　　　　scikit-image>=0.9.3

?

?

　　　　　　　　　　matplotlib>=1.3.1

?

?

?

　　　　　　　　　　ipython>=3.0.0

?

?

　　　　　　　　　　h5py>=2.2.0

?

?

?

　　　　　　　　　　leveldb>=0.191

?

?

　　　　　　　　　　networkx>=1.8.1

?

?

?

　　　　　　　　　　nose>=1.3.0

?

?

　　　　　　　　　　pandas>=0.12.0

?

?

?

　　　　　　　　　　python-dateutil>=1.4,<2

?

?

　　　　　　　　　　protobuf>=2.5.0

?

?

?

　　　　　　　　　　python-gflags>=2.0

?

?

　　　　　　　　　　pyyaml>=3.10

?

?

?

　　　　　　　　　　Pillow>=2.3.0

?

?

　　　　　　　　　　six>=1.1.0

? 2、Matlab安裝，使用2014b版本，匹配python engine支持的版本python2.7，3.3 解壓縮到目錄matlab2014b目錄下，cd到該目錄 sudo ./install 之后即可出現(xiàn)圖形界面。 選擇離線使用安裝碼進(jìn)行安裝，序列碼：29797-39064-48306-32452 安裝目錄默認(rèn)即可，等待安裝完畢 運(yùn)行激活選擇離線激活，激活文件：license.lic 將libmwservices.so復(fù)制到 /matlab安裝目錄/R2014b/bin/glnxa64/下，替換已有文件 即可完整安裝，下面進(jìn)行Matlab engine的安裝即可。 激活選擇已破解的lic文件 替換破解文件 sudo rm /usr/local/MATLAB/R2014b/bin/glnxa64/libmwservices.so 　　　　　　　　　　sudo cp ~/matlab2014b/crack/libmwservices.so /usr/local/MATLAB/R2014b/bin/glnxa64/ 3、Matlab engine for python

• • • • 這里Matlab engine是非常重要的步驟

MATLAB的安裝路徑中應(yīng)該會(huì)有："\extern\engines\python"路徑 直接在該目錄下運(yùn)行： python setup.py install 測(cè)試用例： 直接使用控制臺(tái)的python命令執(zhí)行以下代碼： import matlab.engine 　　　　　　　　　　eng = matlab.engine.start_matlab() 　　　　　　　　　　future = eng.sqrt(4.0,async=True) 　　　　　　　　　　ret = future.result() 　　　　　　　　　　print(ret) 無(wú)錯(cuò)誤即為正常安裝成功。 可能會(huì)出現(xiàn)錯(cuò)誤提示： 　　　　　　　　　　　　OSError: MATLAB Engine for Python supports Python version 3.3 and 2.7, but your version of Python is 3.5 　　　　　　　　　　　　是因?yàn)锳naconda版本太高了。 5、protoc、glog、gflags(一定先安裝glog再安裝gflags)、BLAS 1、protoc 安裝curl，但是一般Ubuntu16以上是自動(dòng)安裝了的，跳過(guò)。 手動(dòng)下載文件http://googletest.googlecode.com/files/gtest-1.5.0.tar.bz2 可百度后下載，復(fù)制到protobuf的目錄下，找到autogen.sh文件中，注釋掉curl語(yǔ)句 #curl -0 http://....... 安裝 automake 工具： sudo apt-get install autoconf automake libtool 再次運(yùn)行： ./autogen.sh 然后依次運(yùn)行以下命令 ./configure 　　　　　　　　sudo make 　　　　　　　　sudo make check 一般輸出全部測(cè)試通過(guò)

　　　　　　　　　　PASS: protobuf-test
　　　　　　　　　　PASS: protobuf-lazy-descriptor-test
　　　　　　　　　　PASS: protobuf-lite-test
　　　　　　　　　　PASS: google/protobuf/compiler/zip_output_unittest.sh
　　　　　　　　　　PASS: google/protobuf/io/gzip_stream_unittest.sh
　　　　　　　　　　=================================
　　　　　　　　　　Testsuite summary for Protocol Buffers 2.5.0
　　　　　　　　　　=================================
　　　　　　　　　　# TOTAL: 5
　　　　　　　　　　# PASS: 5
　　　　　　　　　　# SKIP: 0
　　　　　　　　　　# XFAIL: 0
　　　　　　　　　　# FAIL: 0
　　　　　　　　　　# XPASS: 0
　　　　　　　　　　# ERROR: 0
　　　　　　　　　　=================================

最后再執(zhí)行：sudo make install 2、再安裝一些依賴庫(kù)： sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libboost-all-dev libhdf5-serial-dev 　　　　　　　　sudo apt-get install libboost-all-dev libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler 3、安裝配置glog 進(jìn)入glog目錄下： ./ configure 　　　　　　　　sudo make 　　　　　　　　sudo make install 4、安裝配置gflags 進(jìn)入gflags目錄下： mkdir build && cd build 　　　　　　　　cmake .. ? 　　　　　　　　ccmake .. 之后會(huì)進(jìn)入圖形化的配置界面：

修改完成后，按C鍵再按G鍵，生成Makefile 再執(zhí)行： sudo make 　　　　　　　　sudo make install 5、BLAS安裝與配置 caffe官網(wǎng)推薦三種實(shí)現(xiàn)：ATLAS, MKL, or OpenBLAS 其中atlas可以直接通過(guò)命令行安裝，不用MKL了，破解申請(qǐng)麻煩。 直接用atlas sudo apt-get install libatlas-base-dev 6、Caffe安裝配置 (為確保過(guò)程不出錯(cuò)，請(qǐng)軟件源和系統(tǒng)保持最新版本<Ubuntu16.04LTS+校園網(wǎng)清華大學(xué)軟件源>) 以上安裝確保無(wú)錯(cuò)誤發(fā)生，則使用make all來(lái)進(jìn)行測(cè)試。 可能會(huì)出現(xiàn)錯(cuò)誤： hdf5配置出現(xiàn)問(wèn)題。。。 所有依賴庫(kù)安裝都非常順利，但是在hdf5這里會(huì)有個(gè)坑，

• • • 這里的Makefile設(shè)置非常重要　　　　　　?

需要在Makefile.config中INCLUDE_DIRS后添加/usr/include/hdf5/serial/，在LIBRARY_DIRS后添加/usr/lib/x86_64-linux-gnu/hdf5/serial/ 最終Makefile.config文件對(duì)應(yīng)部分修改如下， 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/hdf5/serial/ 這里檢查一遍Makefile.config所做的主要修改：

　　　　　　CPU_ONLY := 1

　　　　　　USE_OPENCV := 0
　　　　　　USE_LEVELDB := 0
　　　　　　USE_LMDB := 0

　　　　　　USE_OPENCV := 1
　　　　　　USE_LEVELDB := 1
　　　　　　USE_LMDB := 1

　　　　　　CUSTOM_CXX := g++
　　　　　　WITH_PYTHON_LAYER := 1

　　　　　　# Whatever else you find you need goes here.
　　　　　　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/hdf5/serial/

再次make all，輸出顯示若干CXX，無(wú)錯(cuò)誤提示即可。 再make test，輸出顯示若干CXX，LD等，無(wú)錯(cuò)誤提示 再make runtest，輸出的所有的RUN均為OK即可確認(rèn)caffe安裝成功

　　　　　　可能會(huì)出現(xiàn)錯(cuò)誤：Check failed: status == CUDNN_STATUS_SUCCESS (6 vs. 0)
　　　　　　說(shuō)明GPU的加速性能不夠，CUDNN只支持CUDA Capability 3.0以上的GPU加速，所以不能使用CUDNN加速，需要在Makefile.config中注釋掉USE_CUDNN := 1
　　　　　　一定要注意自己GPU硬件的計(jì)算能力問(wèn)題！！！

出現(xiàn)全部測(cè)試通過(guò)即可：

　　　　　　[----------] Global test environment tear-down
　　　　　　[==========] 996 tests from 141 test cases ran. (45874 ms total)
　　　　　　[ PASSED ] 996 tests.

?

• • • 這里的pycaffe接口非常重要，一定要配置測(cè)試好！！！(先編譯好caffe后再進(jìn)行pycaffe接口編譯)

編譯python接口： 將caffe根目錄下的python文件夾加入到bash 打開配置文件bashrc # sudo gedit ~/.bashrc 在最后面加入caffe目錄下的python路徑 export TCNN_ROOT=/home/leeyang/T-CNN 　　　　　　　　export PYTHONPATH=TCNNROOT/External/caffe/python:TCNNROOT/External/caffe/python:PYTHONPATH 　　　　　　　　sudo ldconfig 更新配置即可。 執(zhí)行命令： sudo make pycaffe 輸出：

　　　　　　LD -o .build_release/lib/libcaffe.so.1.0.0-rc3
　　　　　　CXX/LD -o python/caffe/_caffe.so python/caffe/_caffe.cpp
　　　　　　touch python/caffe/proto/__init__.py
　　　　　　PROTOC (python) src/caffe/proto/caffe.proto

在python中使用代碼測(cè)試： import caffe 無(wú)錯(cuò)誤即可

---

? 測(cè)試demo： 一般第一個(gè)測(cè)試都是對(duì)手寫字體minist進(jìn)行識(shí)別，主要有三個(gè)步驟：準(zhǔn)備數(shù)據(jù)、修改配置、開始使用。 1、準(zhǔn)備數(shù)據(jù) 一般是使用命令： sudo sh ./data/mnist/get_mnist.sh　　　　　　(大約是9.5M左右的數(shù)據(jù)，需要聯(lián)網(wǎng)下載) 輸出提示：

　　　　　　Downloading...
　　　　　　--2016-10-07 23:44:11-- http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
　　　　　　Resolving yann.lecun.com (yann.lecun.com)... 128.122.47.89
　　　　　　Connecting to yann.lecun.com (yann.lecun.com)|128.122.47.89|:80... connected.
　　　　　　HTTP request sent, awaiting response... 200 OK
　　　　　　Length: 9912422 (9.5M) [application/x-gzip]
　　　　　　Saving to: ‘train-images-idx3-ubyte.gz’
　　　　　　train-images-idx3-ubyte.gz 100%[=====================================>] 9.45M 39.5KB/s in 2m 42s?
　　　　　　2016-10-07 23:46:53 (59.9 KB/s) - ‘train-images-idx3-ubyte.gz’ saved [9912422/9912422]

生成標(biāo)準(zhǔn)數(shù)據(jù)： sudo sh ./examples/mnist/create_mnist.sh 輸出提示：

　　　　　　Creating lmdb...
　　　　　　I1007 23:47:04.655964 18706 db_lmdb.cpp:35] Opened lmdb examples/mnist/mnist_train_lmdb
　　　　　　I1007 23:47:04.656126 18706 convert_mnist_data.cpp:88] A total of 60000 items.
　　　　　　I1007 23:47:04.656134 18706 convert_mnist_data.cpp:89] Rows: 28 Cols: 28
　　　　　　I1007 23:47:09.992278 18706 convert_mnist_data.cpp:108] Processed 60000 files.
　　　　　　I1007 23:47:10.043660 18708 db_lmdb.cpp:35] Opened lmdb examples/mnist/mnist_test_lmdb
　　　　　　I1007 23:47:10.043848 18708 convert_mnist_data.cpp:88] A total of 10000 items.
　　　　　　I1007 23:47:10.043862 18708 convert_mnist_data.cpp:89] Rows: 28 Cols: 28
　　　　　　I1007 23:47:10.859005 18708 convert_mnist_data.cpp:108] Processed 10000 files.
　　　　　　Done.

但有時(shí)可能會(huì)網(wǎng)絡(luò)不通暢。這里直接下載 　　　　解壓得到兩個(gè)文件夾（mnist-train-leveldb和mnist-test-leveldb），復(fù)制到 .\examples\mnist\ ?目錄下即可 錯(cuò)誤1：F1007 23:20:39.377470 14871 convert_mnist_data.cpp:144] This example requires LevelDB and LMDB; compile with USE_LEVELDB and USE_LMDB. 這個(gè)錯(cuò)誤是因?yàn)閷W(xué)習(xí)中的之知其然不知其所以然導(dǎo)致的！！！ caffe的Makefile文件中取消注釋，但是其后的值仍然是0，和不取消是一樣的了！取消注釋后將值改為1，然后全部重新編譯caffe USE_OPENCV := 1
　　　　　　USE_LEVELDB := 1
　　　　　　USE_LMDB := 1 一切正常會(huì)在.\examples\mnist\ ?目錄下生成這兩個(gè)數(shù)據(jù)文件夾。

　　2、修改配置

　　　　修改該目錄下的prototxt擴(kuò)展名配置文件

　　　　修改./examples/mnist/lenet_solver.prototxt

　　　　定位到最后一行：solver_mode: GPU，將GPU改為CPU。?直接先使用CPU進(jìn)行測(cè)試

　　3、運(yùn)行

執(zhí)行文件命令： sudo sh ./examples/mnist/train_lenet.sh 輸出提示： I?

1007 23:53:09.915892 18795 caffe.cpp:210] Use CPU.

　　　　I1007 23:53:09.916203 18795 solver.cpp:48] Initializing solver from parameters:?
　　　　test_iter: 100
　　　　test_interval: 500
　　　　base_lr: 0.01
　　　　display: 100
　　　　max_iter: 10000
　　　　lr_policy: "inv"
　　　　gamma: 0.0001
　　　　power: 0.75
　　　　momentum: 0.9
　　　　weight_decay: 0.0005
　　　　snapshot: 5000
　　　　snapshot_prefix: "examples/mnist/lenet"
　　　　solver_mode: CPU
　　　　net: "examples/mnist/lenet_train_test.prototxt"
　　　　train_state {
　　　　　　level: 0
　　　　　　stage: ""
　　　　}

　　　　********************************** 　　　　**********************************

　　　　I1008 00:12:51.708220 18795 sgd_solver.cpp:106] Iteration 9800, lr = 0.00599102
　　　　I1008 00:13:02.717388 18795 solver.cpp:228] Iteration 9900, loss = 0.00611393
　　　　I1008 00:13:02.717483 18795 solver.cpp:244] Train net output #0: loss = 0.00611391 (* 1 = 0.00611391 loss)
　　　　I1008 00:13:02.717496 18795 sgd_solver.cpp:106] Iteration 9900, lr = 0.00596843
　　　　I1008 00:13:14.016697 18795 solver.cpp:454] Snapshotting to binary proto file examples/mnist/lenet_iter_10000.caffemodel
　　　　I1008 00:13:14.025446 18795 sgd_solver.cpp:273] Snapshotting solver state to binary proto file examples/mnist/lenet_iter_10000.solverstate
　　　　I1008 00:13:14.084300 18795 solver.cpp:317] Iteration 10000, loss = 0.00241856
　　　　I1008 00:13:14.084349 18795 solver.cpp:337] Iteration 10000, Testing net (#0)
　　　　I1008 00:13:21.108484 18795 solver.cpp:404] Test net output #0: accuracy =?0.9905
　　　　I1008 00:13:21.108542 18795 solver.cpp:404] Test net output #1: loss = 0.0295916 (* 1 = 0.0295916 loss)
　　　　I1008 00:13:21.108553 18795 solver.cpp:322] Optimization Done.
　　　　I1008 00:13:21.108559 18795 caffe.cpp:254] Optimization Done.

渣配置訓(xùn)練跑了大約20分鐘~模型精度在0.99以上 最終訓(xùn)練完的模型存儲(chǔ)為一個(gè)二進(jìn)制的protobuf文件： ./examples/mnist/lenet_iter_10000.caffemodel 這個(gè)模型就可以用來(lái)直接使用了，具體怎么使用還有待繼續(xù)學(xué)習(xí)！！！

總結(jié)

以上是生活随笔為你收集整理的深度学习之caffe1——软件配置与测试的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。