官网：

http://caffe.berkeleyvision.org/installation.html#compilation

参考网站：

http://www.cnblogs.com/dupuleng/articles/4213834.html

http://www.cnblogs.com/empty16/p/4793404.html

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

一、安装build-essentials

　　安装开发所需要的一些基本包

1 sudo apt-get install build-essential

二、CUDA安装

这一步包括三个部分：

1. nvidia驱动
2. cuda-toolkit
3. cuda-samples

　　在CPU模式下仅需要安装cuda-toolkit，接下来介绍如何安装cuda-toolkit

2.1 下载CUDA6.5

下载方式：windows下载(http://developer.download.nvidia.com/compute/cuda/6_5/rel/installers/cuda_6.5.14_linux_64.run)通过ssh传到Ubuntu

或者直接在Ubuntu中输入：

1 wget http://developer.download.nvidia.com/compute/cuda/6_5/rel/installers/cuda_6.5.14_linux_64.run

通过下列命令增加.run文件的执行权限:

1 chmod +x *.run

然后解压下载到的文件：

./cuda_6.5.14_linux_64.run  --extract=extract_path  (说明：需要将extract_path改为将文件解压到的地点)

解压下载得到的.run文件，得到三个文件，我们只安装第一个，即cuda-toolkit包

• CUDA安装包: cuda-linux64-rel-6.5.14-18749181.run
• NVIDIA驱动: NVIDIA-Linux-x86_64-340.29.run
• SAMPLE包: cuda-samples-linux-6.5.14-18745345.run

2.2 安装cuda

　　安装CUDA需要在纯命令行下进行(非常重要），按 ctrl+alt+F1进入tty，登录后执行如下命令

sudo service lightdm stop  或者sudo stop lightdm

执行下列命令安装CUDA，按照提示一步步安装，其中会让你选择安装目录，接受协议等，为方便选择默认路径，直接回车即可。

sudo ./cuda-linux64-rel-6.5.14-18749181.run

2.3 添加环境变量

安装完成后在/etc/profile中添加环境变量，在文件最后添加

PATH=/usr/local/cuda-6.5/bin:$PATH
export PATH

　　　　保存后，执行下列命令，使环境变量立即生效

source /etc/profile

　　　2.4 添加lib库路径

　　　　在/etc/ld.so.conf.d/目录下增加文件cuda.conf，内容如下　

/usr/local/cuda-6.5/lib64

　　　　执行下列命令立刻生效

sudo ldconfig

　　　　注： 如果你没有使用默认路径，将上面的路径换成自己相应的路径即可

　2.5 退出命令行

sudo service lightdm start或者sudo start lightdm

三、安装BLAS

BLAS有三个版本：ATLAS, MKL, OpenBLAS。MKL是收费的，也用student版本，不过需要使用你所在单位的邮箱来申请， 其它两种是免费的，这里使用OpenBlas。听说MKL效率上比其它两种好很多。。

1. 下载地址：

1 wget https://codeload.github.com/xianyi/OpenBLAS/tar.gz/v0.2.15

　  2. 解压

1 tar -zvxf OpenBLAS-0.2.15

3.进入解压生成的文件进行编译安装：

直接输入：make； 估计会报错： make[1]: *** [sgemm.o] Error 1

那么输入：make TARGET=NEHALEM

编译好后会提示类似于： make PREFIX=/your/path/lib install等;它的意思就是安装lib到相应的地址

输入： make PREFIX=/usr/local/OpenBlas/

　 4. 添加lib库路径： 在/etc/ld.so.conf.d/目录下增加文件OpenBlas.conf，内容如下

/usr/local/OpenBlas/lib

5. 执行下列命令立刻生效

sudo ldconfig

四、安装Opencv

1. 　从github上下载安装脚本：https://github.com/jayrambhia/Install-OpenCV
2. 　进行Ubuntu/2.4目录，对所有脚本增加可执行权限

sudo chmod +x *.sh

安装最新版本（当前为2.4.9)，有人自己写了2.4.20版本的，有兴趣的可以去下：http://pan.baidu.com/s/1m3hQu

　　3.    安装依赖项

sudo ./dependencies.sh

　　4.   安装opencv 2.4.9

sudo sh ./opencv2_4_9.sh

　　这块儿时间比较长，保证网络连接，需要联网下载安装包。

　　注意：中途可能会报错：

　　解决方案： 下载NCVPixelOperations.hpp ，替换掉Ubuntu/2.4/Opencv/opencv2.4.9/moduels/gpu/src/nvidia/core目录中的NCPixelOperations.hpp文件，重新执行安装命令

sudo sh ./opencv2_4_9.sh

五、安装其它依赖项

　　Ubuntu14.04用户执行

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

　　其它版本参考官网说明

六、安装Caffe所需要的Python 环境（未测试）

　　选择一个适合你的IDE运行环境，作者用的是Spyder，因为它内置了 iPython 环境，Caffe有不少的程序是基于 iPython 环境完成的。安装方法很简单，直接在Ubuntu软件中心搜索“spyder”即可安装。

七、安装Caffe所需要的matlab环境

1. 下载：自己从网上找资源吧，百度云盘中有比较多的资源。注意：caffe只支持matlab12b以上的版本
2. 安装具体流程参考：http://blog.csdn.net/aimatfuture/article/details/8058156

八、编译Caffe

• 　　下载：https://github.com/BVLC/caffe
• 　　进入caffe目录，复制一份Makefile.config　　

cp Makefile.config.example Makefile.config

• 根据自己环境修改相应内容

　　　1 取消 CPU_ONLY := 1前面的注释

　　　2. cuda 安装路径改为自己的路径 ： CUDA_DIR := /usr/local/cuda-6.5

　　　3. 配置路径：实现caffe对python和matlab接口的支持　　

PYTHON_INCLUDE := /usr/include/python2.7 \/usr/lib/python2.7/dist-packages/numpy/core/includePYTHON_LIB := /usr/local/libINCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/includeLIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/libMATLAB_DIR := /usr/local/MATLAB/R2014a

　　 4. BLAS := open (根据自己选择的版本，分别设为atlas, mkl, open

BLAS_INCLUDE :=/usr/local/OpenBlas/include

       BLAS_LIB :=/usr/local/OpenBlas/lib

       Makefile中： BLAS ?= atlas 改成： BLAS ?= open

• 编译caffe

sudo make all -j2
sudo make test
sudo make runtest

在一这步可能会碰到问题：undefined refrence to ' cudaGetDevice '

　　　　解决方法：

　　　　　　1. 修改Makefile.config, 修改CUSTOM_CXX := g++-4.6

　　　　　　2. 执行命令 sudo apt-get install gcc-4.6 g++-4.6 gcc-4.6-multilib g++-4.6-multilib
　　　　　　3. 修改以下两个文件
　　　　　　　　vi src/caffe/common.cpp
　　　　　　　　vi tools/caffe.cpp
　　　　　　　　使用google替代gflags

　　　　　　4. 重新make

　　　如果在make的过程中提示：“error while loading shared libraries: xxx.so.x”，可能是cuda及OpenBLAS环境变量没有设置正确，检查相应步骤，可参考：http://blog.csdn.net/sahusoft/article/details/7388617

九、编译matlab wrapper　

make matcaffe

十、编译python wrapper

make pycaffe

十一、使用MNIST数据集进行测试

　　这部分可参考caffe官网：http://caffe.berkeleyvision.org/gathered/examples/mnist.html，非常详细。

　　注：这一部分默认在caffe的目录下完成，不能去相应的子目录下执行脚本，因为脚本中的路径是相对于caffe目标的相对路径 。

1. 获取数据： sudo sh data/mnist/get_mnist.sh
2. 重建lmdb/ leveldb文件：sh examples/mnist/create_mnist.sh       （ caffe支持三种数据格式输入： images(.jpg,.png等），leveldb, lmdb）
3. 切换到CPU模式： 在lenet_solver.prototxt中修改 solover_mode = CPU , 在最后一行
4. 训练minist: sudo sh examples/mnist/train_lenet.sh

　　没有错误的话，就可以看到一串串的输出信息啦。

会进行10000次的迭代，耐心的等待吧！

十二、测试训练的模型

　　当所有数据都训练好之后，接下来就是如何将模型应用到实际数据了：

　　./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel -gpu=0

　　如果没有GPU则使用

　　./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel

十二、在CPU模式下，所以不安装CuDnn