Deep Learning 学习总结（一）—— Caffe Ubuntu14.04 CUDA 6.5 配置

时间 2019-11-13

标签 deep learning 学习总结 caffe ubuntu14.04 ubuntu cuda 6.5 配置栏目 Ubuntu 繁體版

原文原文链接

Caffe （Convolution Architecture For Feature Extraction）做为深度学习CNN一个很是火的框架，对于初学者来讲，搭建Linux下的Caffe平台是学习深度学习关键的一步，其过程也比较繁琐，回想起当初折腾的那几天，遂总结一下Ubuntu14.04的配置过程，方便之后新手能在此少走弯路。python

1. 安装build-essentialslinux

安装开发所须要的一些基本包git

 
     1: sudo apt-get install build-essential

2. 安装NVIDIA驱动github

输入下列命令添加驱动源shell

 
sudo add-apt-repository ppa:xorg-edgers/ppa 
    
sudo apt-get update

安装340版本驱动（具体版本取决于电脑显卡的型号，详细可到NVIDIA官网查看）ubuntu

 
      1: sudo apt-get install nvidia-340

安装完成后，继续安装下列包bash

 
      1: sudo apt-get install nvidia-340-uvm

安装驱动完毕，reboot.app

3. 安装CUDA 6.5框架

CUDA的Deb包安装较为简单，按照官网流程，事先安装必要的库学习

 
      1: sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

3.1 安装CUDA

而后经过如下命令获取Ubuntu 14.04 CUDA相关的repository package

 
$ sudo dpkg -i cuda-repo-ubuntu1404_6.5-14_amd64.deb  
    
$ sudo apt-get update

而后开始安装CUDA Toolkit

 
      1: $ sudo apt-get install cuda

此时须要下载较长时间，网速较慢的中途能够出去吃个饭~

3.2 环境配置

CUDA安装完毕后，须要对.bashrc加入一下命令来配置环境

   
   
   
   
    
    
    
     
        1: export CUDA_HOME=/usr/local/cuda-6.5  
      
        2: export LD_LIBRARY_PATH=${CUDA_HOME}/lib64

 
   
   
   
   
    
    
    
     
        1: PATH=${CUDA_HOME}/bin:${PATH}  
      
        2: export PATH

3.3 安装CUDA SAMPLE

经过复制SDK samples 到主目录下，完成整个编译过程

 
$ cuda-install-samples-6.5.sh  ~  
    
$ cd ~/NVIDIA_CUDA-6.5_Samples  
    
$ make

若是以上过程都成功后，能够经过运行bin/x86_64/linux/release 下的deviceQuery来验证一下。若是出现如下信息，则说明驱动以及显卡安装成功


   
   
   
    
     
        1: ./deviceQuery Starting... 
      
        2:   
      
        3:  CUDA Device Query (Runtime API) version (CUDART static linking) 
      
        4:   
      
        5: Detected 1 CUDA Capable device(s) 
      
        6:   
      
        7: Device 0: "GeForce GTX 670" 
      
        8:   CUDA Driver Version / Runtime Version          6.5 / 6.5 
      
        9:   CUDA Capability Major/Minor version number:    3.0 
      
       10:   Total amount of global memory:                 4095 MBytes (4294246400 bytes) 
      
       11:   ( 7) Multiprocessors, (192) CUDA Cores/MP:     1344 CUDA Cores 
      
       12:   GPU Clock rate:                                1098 MHz (1.10 GHz) 
      
       13:   Memory Clock rate:                             3105 Mhz 
      
       14:   Memory Bus Width:                              256-bit 
      
       15:   L2 Cache Size:                                 524288 bytes 
      
       16:   Maximum Texture Dimension Size (x,y,z)         1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096) 
      
       17:   Maximum Layered 1D Texture Size, (num) layers  1D=(16384), 2048 layers 
      
       18:   Maximum Layered 2D Texture Size, (num) layers  2D=(16384, 16384), 2048 layers 
      
       19:   Total amount of constant memory:               65536 bytes 
      
       20:   Total amount of shared memory per block:       49152 bytes 
      
       21:   Total number of registers available per block: 65536 
      
       22:   Warp size:                                     32 
      
       23:   Maximum number of threads per multiprocessor:  2048 
      
       24:   Maximum number of threads per block:           1024 
      
       25:   Max dimension size of a thread block (x,y,z): (1024, 1024, 64) 
      
       26:   Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535) 
      
       27:   Maximum memory pitch:                          2147483647 bytes 
      
       28:   Texture alignment:                             512 bytes 
      
       29:   Concurrent copy and kernel execution:          Yes with 1 copy engine(s) 
      
       30:   Run time limit on kernels:                     Yes 
      
       31:   Integrated GPU sharing Host Memory:            No 
      
       32:   Support host page-locked memory mapping:       Yes 
      
       33:   Alignment requirement for Surfaces:            Yes 
      
       34:   Device has ECC support:                        Disabled 
      
       35:   Device supports Unified Addressing (UVA):      Yes 
      
       36:   Device PCI Bus ID / PCI location ID:           1 / 0 
      
       37:   Compute Mode: 
      
       38:      < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) > 
      
       39:   
      
       40: deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 6.5, CUDA Runtime Version = 6.5, NumDevs = 1, Device0 = GeForce GTX 670 
      
       41: Result = PASS

4. 安装BLAS

Caffe的BLAS能够有三种选择，分别为atlas、mkl以及openBLAS。对于mkl能够到intel官网下载，解压完成后又一个install_GUI.sh文件，执行该文件会出现图形安装界面，根听说明一步一步执行便可。

也可对openBLAS源码进行编译，不过须要gcc以及gfortran等相关编译器。我的认为比较便捷的是atlas，在Caffe官网上有相关的介绍，对于Ubuntu，经过如下命令能够下载atlas

 
      1: sudo apt-get install libatlas-base-dev

5. 安装OpenCV

OpenCV库安装能够经过网上写好的脚本进行下载：https://github.com/jayrambhia/Install-OpenCV

解压文档后，进入Ubuntu/2.4 给全部的shell脚本加上可执行权限

 
      1: chmod +x *.sh

而后执行 opencv2_4_9.sh 安装最新版本，注意，OpenCV 2.4.9不支持gcc-4.9以上的编译器！！

6. 安装其余dependencies

对于Ubuntu 14.04，执行如下命令下载其余相关依赖库文件

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

7. 安装python以及Matlab

首先安装pip和python –dev

 
      1: sudo apt-get install python-dev python-pip

以及caffe python wrapper所须要的额外包

 
      1: sudo pip install -r /path/to/caffe/python/requirements.txt

Matlab接口须要额外安装Matlab程序

Last shot --- 编译Caffe

完成全部的环境配置，终于能够编译caffe了，经过官网下载caffe源码，进入根目录caffe-master，首先复制一份makefile

 
      1: cp Makefile.config.example Makefile.config

而后修改里面的内容，主要有：

CPU_ONLY 是否采用cpu模式，不然选择CUDNN（这里的CUDNN须要在NVIDIA-CUDNN下载，还有经过email注册申请才能经过审核）

BLAS：=atlas（也能够是open或者mkl）

DEBUG 若是须要debug模式

MATLAB_DIR 若是须要采用matlab 接口

完成配置后，能够进行编译了

 
make all -j4 
    
make test 
    
make runtest

最后若是都能正常，证实caffe里面全部的例子程序均可以运行了，放心都跑CIFAR、MNIST以及ImageNet吧~~