1.安裝相關的依賴

按照官網的流程進行安裝，過程如下：

安裝通用的依賴：

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

注意其中安裝了libopencv-dev，我比較關心opencv的版本，所以在安裝之前檢視這個包的資訊為2.4.8，感覺可以就安裝了。

sudo apt-cache
 
 show libopencv-dev

Package: libopencv-dev
Priority: optional
Section: universe/libdevel
Installed-Size: 704
Maintainer: Kubuntu Developers <[email protected]>
Original-Maintainer: Debian Science Team <[email protected]>
Architecture: amd64
Source: opencv
Version: 2.4.8+dfsg1-2ubuntu1
......
Description-en: development files for
 
 opencv
 This is a metapackage providing development package necessary for
 development of OpenCV (Open Computer Vision).
 .
 The Open Computer Vision Library is a collection of algorithms and sample
 code for various computer vision problems. The library is compatible with
 IPL (Intel's Image Processing Library
 
) and, if available, can use IPP
 (Intel's Integrated Performance Primitives) for better performance.
 .
 OpenCV provides low level portable data types and operators, and a set
 of high level functionalities for video acquisition, image processing and
 analysis, structural analysis, motion analysis and object tracking, object
 recognition, camera calibration and 3D reconstruction.
Description-md5: f9dc67381f1013c39fe59842c79cbddf
Homepage: http://opencv.org/
Bugs: https://bugs.launchpad.net/ubuntu/+filebug
Origin: Ubuntu
Supported: 9m

安裝cuda

參見我的另一篇部落格 Ubuntu安裝記錄：軟體安裝 中的安裝方法，很簡單。去CUDA GPUs 確定你的顯示卡是英偉達獨立顯示卡並且支援cuda，否則就只用CPU吧。

安裝BLAS

BLAS，英文全稱Basic Linear Algebra Subprograms，即基礎線性代數子程式庫，裡面擁有大量已經編寫好的關於線性代數運算的程式。caffe官網提供了關於blas庫的三種選擇，ATLAS，MKL，OpenBLAS。詳情參見部落格 Ubuntu14.04 BLAS安裝 。這裡，為了簡單，安裝ATLAS。

sudo apt-get install libatlas-base-dev

安裝Python

sudo apt-get install python-dev

安裝14.04所額外需要的依賴

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

2.make編譯

首先下載caffe-master並解壓。編譯教程參見官網。如下：

cd到caffe根目錄，修改配置檔案

cd Desktop/caffe-master/
cp Makefile.config.example Makefile.config

這裡我們一直採用apt-get安裝，並且預設使用GPU加速，所以不用怎麼修改Makefile.config，只需要將WITH_PYTHON_LAYER := 1前的註釋去掉，方便使用Python呼叫即可。使用命令列開始編譯：

make all -j4

這一步時間較長，-j4表示採用多核方式，我的機器是X4的，所以用的4這個引數。完成後結果如下：

CXX/LD -o .build_release/tools/compute_image_mean.bin
CXX/LD -o .build_release/tools/convert_imageset.bin
CXX/LD -o .build_release/examples/cpp_classification/classification.bin
CXX/LD -o .build_release/examples/siamese/convert_mnist_siamese_data.bin
CXX/LD -o .build_release/examples/mnist/convert_mnist_data.bin
CXX/LD -o .build_release/examples/cifar10/convert_cifar_data.bin

接著輸入命令：

make test -j4

結果如下：

LD .build_release/src/caffe/test/test_split_layer.o
LD .build_release/src/caffe/test/test_image_data_layer.o
LD .build_release/src/caffe/test/test_softmax_layer.o
LD .build_release/src/caffe/test/test_data_transformer.o
LD .build_release/cuda/src/caffe/test/test_im2col_kernel.o
CXX/LD -o .build_release/test/test_all.testbin src/caffe/test/test_caffe_main.cpp

繼續等待，完成後輸入如下命令：

make runtest -j4

這裡就是一大波綠色的RUN OK了，

[ RUN      ] SplitLayerTest/0.Test
[       OK ] SplitLayerTest/0.Test (0 ms)
[ RUN      ] SplitLayerTest/0.TestSetup
[       OK ] SplitLayerTest/0.TestSetup (0 ms)
[ RUN      ] SplitLayerTest/0.TestGradient
[       OK ] SplitLayerTest/0.TestGradient (4 ms)
[----------] 3 tests from SplitLayerTest/0 (4 ms total)

[----------] Global test environment tear-down
[==========] 2021 tests from 267 test cases ran. (506614 ms total)
[  PASSED  ] 2021 tests.

至此make編譯caffe成功了。

3.Cmake編譯

同樣先給出官網教程，記錄如下：

在caffe根目錄下執行：

mkdir cbuild
cd cbuild
cmake ..

之後輸出一個配置檔案，大概選項如下：

-- ******************* Caffe Configuration Summary *******************
-- General:
--   Version           :   1.0.0-rc3
--   Git               :   unknown
--   System            :   Linux
--   C++ compiler      :   /usr/bin/c++
--   Release CXX flags :   -O3 -DNDEBUG -fPIC -Wall -Wno-sign-compare -Wno-uninitialized
--   Debug CXX flags   :   -g -fPIC -Wall -Wno-sign-compare -Wno-uninitialized
--   Build type        :   Release
-- 
--   BUILD_SHARED_LIBS :   ON
--   BUILD_python      :   ON
--   BUILD_matlab      :   OFF
--   BUILD_docs        :   ON
--   CPU_ONLY          :   OFF
--   USE_OPENCV        :   ON
--   USE_LEVELDB       :   ON
--   USE_LMDB          :   ON
--   ALLOW_LMDB_NOLOCK :   OFF
-- 
-- Dependencies:
--   BLAS              :   Yes (Atlas)
--   Boost             :   Yes (ver. 1.54)
--   glog              :   Yes
--   gflags            :   Yes
--   protobuf          :   Yes (ver. 2.5.0)
--   lmdb              :   Yes (ver. 0.9.10)
--   LevelDB           :   Yes (ver. 1.15)
--   Snappy            :   Yes (ver. 1.1.0)
--   OpenCV            :   Yes (ver. 2.4.8)
--   CUDA              :   Yes (ver. 8.0)
-- 
-- NVIDIA CUDA:
--   Target GPU(s)     :   Auto
--   GPU arch(s)       :   sm_30
--   cuDNN             :   Not found
-- 
-- Python:
--   Interpreter       :   /usr/bin/python2.7 (ver. 2.7.6)
--   Libraries         :   /usr/lib/x86_64-linux-gnu/libpython2.7.so (ver 2.7.6)
--   NumPy             :   /usr/lib/python2.7/dist-packages/numpy/core/include (ver 1.8.2)
-- 
-- Documentaion:
--   Doxygen           :   No
--   config_file       :   
-- 
-- Install:
--   Install path      :   /home/gph/Desktop/caffe-master/cbuild/install
-- 
-- Configuring done
-- Generating done
-- Build files have been written to: /home/gph/Desktop/caffe-master/cbuild

之後輸入

make -j 4

這裡-j 4因為我的機器是4核的。之後等到編譯，時間較長。完成後輸入：

make install

結果如下：

Linking CXX executable mnist/convert_mnist_data
[100%] Built target convert_mnist_data
Linking CXX executable siamese/convert_mnist_siamese_data
[100%] Built target convert_mnist_siamese_data
Linking CXX executable cpp_classification/classification
[100%] Built target classification
Linking CXX shared library ../lib/_caffe.so
Creating symlink /home/gph/Desktop/caffe-master/python/caffe/_caffe.so -> /home/gph/Desktop/caffe-master/cbuild/lib/_caffe.so
[100%] Built target pycaffe

至此，Cmake編譯完成。需要說明的是make和cmake編譯互不影響，之所以需要cmake編譯是因為樓主用Cmakelist.txt管理工程，需要新增caffe的標頭檔案和相應的庫，使用cmake編譯非常方便。具體參看我的另一篇部落格Caffe + ROS + OpenCV + Qt creator 。

遇到的問題記錄

1）cmake ..之後出現錯誤

CMake Error at CMakeLists.txt:83 (add_dependencies): The dependency
target “pycaffe” of target “pytest” does not exist.

目前還未解決，但是仍然可以繼續，只是好像要輸入兩次命令才行。這也是我重灌的原因之一，重灌就沒有這個錯誤。

2）庫錯誤

在利用cmake編譯caffe時，出現如下錯誤：

Linking CXX shared library ../../lib/libcaffe-d.so /usr/bin/ld:
/usr/local/lib/libcblas.a(cblas_sgemv.o): relocation R_X86_64_32
against `.rodata.str1.1’ can not be used when making a shared object;
recompile with -fPIC /usr/local/lib/libcblas.a: error adding symbols:
Bad value collect2: error: ld returned 1 exit status make[2]: *
[lib/libcaffe-d.so.1.0.0-rc3] Error 1 make[1]: *
[src/caffe/CMakeFiles/caffe.dir/all] Error 2 make: * [all] Error 2

解決方法： 編輯cbuild資料夾下的CMakeCache.txt，將

//Path to a library. Atlas_CBLAS_LIBRARY:FILEPATH=<path to
libcblas.a>

改為

//Path to a library.
Atlas_CBLAS_LIBRARY:FILEPATH=/usr/lib/libcblas.so //<path to
libcblas.so in your machine>

這就應該是機器上利用不同方式多次裝過這個庫，檔案較為混亂，找不到正確的庫造成的。所以大家安裝的時候能使用apt-get
install的儘量這樣安裝，除非你有明確的目的要原始碼安裝，否則確實要做很多工作，很“鍛鍊”人。