安裝Caffe-Master(GPU和CPU)
安裝簡介
重要!重要!重要!在進行這博文內的安裝步驟前,請先查閱我的另一篇部落格《Ubuntu 18.04系統淨化及環境配置》,按順序安裝裡面提到的包,否則後面的安裝是不會成功的。
當然了,如果你沒有NVIDIA獨立顯示卡,那麼你可以直接跳過環境配置的前三條,並在最後安裝Caffe前,對Makefile.config中關於前三條的選項(GPU/CUDA/cudnn)進行註釋,然後取消CPU的註釋即可
安裝前的環境配置
下載壓縮檔案
如果官網最新的caffe資源無法支援該網頁的配置方案,我這裡準備了可用的舊版本。點選此處下載舊版
準備壓縮檔案
將下載好的壓縮包提取到當前使用者根目錄下,並開啟該資料夾
修改配置檔案
找到Makefile.config.example,並重命名為Makefile.config,詳細配置內容可參考下面的資訊
## Refer to http://caffe.berkeleyvision.org/installation.html # Contributions simplifying and improving our build system are welcome! # cuDNN acceleration switch (uncomment to build with cuDNN). USE_CUDNN := 1 # CPU-only switch (uncomment to build without GPU support). # CPU_ONLY := 1 # uncomment to disable IO dependencies and corresponding data layers # USE_OPENCV := 0 # USE_LEVELDB := 0 # USE_LMDB := 0 # uncomment to allow MDB_NOLOCK when reading LMDB files (only if necessary) # You should not set this flag if you will be reading LMDBs with any # possibility of simultaneous read and write # ALLOW_LMDB_NOLOCK := 1 # Uncomment if you're using OpenCV 3 OPENCV_VERSION := 3 # To customize your choice of compiler, uncomment and set the following. # N.B. the default for Linux is g++ and the default for OSX is clang++ # CUSTOM_CXX := g++ # CUDA directory contains bin/ and lib/ directories that we need. CUDA_DIR := /usr/local/cuda-8.0 # On Ubuntu 14.04, if cuda tools are installed via # "sudo apt-get install nvidia-cuda-toolkit" then use this instead: # CUDA_DIR := /usr # 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. 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 # BLAS choice: # atlas for ATLAS (default) # mkl for MKL # open for OpenBlas BLAS := mkl # Custom (MKL/ATLAS/OpenBLAS) include and lib directories. # Leave commented to accept the defaults for your choice of BLAS # (which should work)! # BLAS_INCLUDE := /path/to/your/blas # BLAS_LIB := /path/to/your/blas # Homebrew puts openblas in a directory that is not on the standard search path # BLAS_INCLUDE := $(shell brew --prefix openblas)/include # BLAS_LIB := $(shell brew --prefix openblas)/lib # This is required only if you will compile the matlab interface. # MATLAB directory should contain the mex binary in /bin. MATLAB_DIR := /usr/local/MATLAB/R2014a # MATLAB_DIR := /Applications/MATLAB_R2012b.app # NOTE: this is required only if you will compile the python interface. # We need to be able to find Python.h and numpy/arrayobject.h. # PYTHON_INCLUDE := /usr/include/python2.7 \ /usr/lib/python2.7/dist-packages/numpy/core/include # Anaconda Python distribution is quite popular. Include path: # Verify anaconda location, sometimes it's in root. # ANACONDA_HOME := $(HOME)/anaconda # PYTHON_INCLUDE := $(ANACONDA_HOME)/include \ # $(ANACONDA_HOME)/include/python2.7 \ # $(ANACONDA_HOME)/lib/python2.7/site-packages/numpy/core/include # Uncomment to use Python 3 (default is Python 2) ANACONDA_HOME := $(HOME)/Anaconda3 PYTHON_LIBRARIES := boost_python-py35 python3.6m PYTHON_INCLUDE := $(ANACONDA_HOME)/include \ $(ANACONDA_HOME)/include/python3.6m \ $(ANACONDA_HOME)/lib/python3.6/site-packages/numpy/core/include # We need to be able to find libpythonX.X.so or .dylib. PYTHON_LIB := $(ANACONDA_HOME)/lib # Homebrew installs numpy in a non standard path (keg only) # PYTHON_INCLUDE += $(dir $(shell python -c 'import numpy.core; print(numpy.core.__file__)'))/include # PYTHON_LIB += $(shell brew --prefix numpy)/lib # Uncomment to support layers written in Python (will link against Python libs) # 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 # If Homebrew is installed at a non standard location (for example your home directory) and you use it for general dependencies # INCLUDE_DIRS += $(shell brew --prefix)/include # LIBRARY_DIRS += $(shell brew --prefix)/lib # NCCL acceleration switch (uncomment to build with NCCL) # https://github.com/NVIDIA/nccl (last tested version: v1.2.3-1+cuda8.0) # USE_NCCL := 1 # Uncomment to use `pkg-config` to specify OpenCV library paths. # (Usually not necessary -- OpenCV libraries are normally installed in one of the above $LIBRARY_DIRS.) # USE_PKG_CONFIG := 1 # N.B. both build and distribute dirs are cleared on `make clean` BUILD_DIR := build DISTRIBUTE_DIR := distribute # Uncomment for debugging. Does not work on OSX due to https://github.com/BVLC/caffe/issues/171 # DEBUG := 1 # The ID of the GPU that 'make runtest' will use to run unit tests. TEST_GPUID := 0 # enable pretty build (comment to see full commands) Q ?= @
為安裝matcaffe介面做準備
A:修改Makefile,在該檔案411行附近,插入以下命令
CXXFLAGS += -std=c++11
開始安裝
cd caffe-master
make all -j
make matcaffe #若最後一行出現“MEX 已成功完成”,則代表matcaffe介面編譯成功
make pycaffe
安裝測試
make mattest
make pytest
如果出現以下提示則證明呼叫matlab介面成功,否則請看系統調整進行修復
Totals: 7 Passed, 0 Failed, 0 Incomplete. 0.31512 seconds testing time.
如果出現以下提示則證明呼叫python介面成功,否則請看系統調整進行修復
Ran 51 tests in 13.732s
OK (skipped=8)
注意,若出現"(skipped=8)"字眼,說明在安裝前,沒有開啟"WITH_PYTHON_LAYER",若開啟之後,這個提示不應該出現
部署pycaffe
A:複製Python介面
在當前使用者根目錄下開啟終端,輸入以下命令即可
cp -r caffe-master/python/caffe Anaconda3/lib/python3.6/site-packages
B:新增環境變數
在當前使用者根目錄下,找到.bashrc檔案並開啟,在最後新增下面兩行文字,儲存退出即可
# added by python caffe interface
export LD_LIBRARY_PATH="$HOME/caffe-master/build/lib:$LD_LIBRARY_PATH"
C:執行測試
重啟終端後,進入python環境,輸入以下命令,如果能正常載入caffe,則部署成功
系統調整
根據提示,缺了哪個就執行哪個命令即可
sudo ln -sf /usr/lib/x86_64-linux-gnu/libstdc++.so.6 /usr/local/MATLAB/R2014a/bin/glnxa64
sudo ln -sf /usr/local/cuda-8.0/lib64/libcublas.so.8.0 /usr/local/MATLAB/R2014a/bin/glnxa64
sudo ln -sf /usr/local/cuda-8.0/lib64/libcudart.so.8.0 /usr/local/MATLAB/R2014a/bin/glnxa64
sudo ln -sf /usr/local/cuda-8.0/lib64/libcudnn.so.5 /usr/local/MATLAB/R2014a/bin/glnxa64
部分文章摘錄,感謝以下的網友提供的解決方案
以下連結提供不存在連結使用的解決辦法
以下連結提供Python3的相容問題解決思路
以下連結用於解決Python3依賴項
以下連結主要為匹配Anaconda3(Python3.6.1)的boost
如果本篇文章能讓你成功安裝該套配置,請順手點個贊,畢竟這篇文章我重灌了N次系統和工具才完成的。。
相關推薦
安裝Caffe-Master(GPU和CPU)
安裝簡介 重要!重要!重要!在進行這博文內的安裝步驟前,請先查閱我的另一篇部落格《Ubuntu 18.04系統淨化及環境配置》,按順序安裝裡面提到的包,否則後面的安裝是不會成功的。 當然了,如果你沒有NVIDIA獨立顯示卡,那麼你可以直接跳過環境配置的前三條,並在最後安裝
Google聲明機器學習在自己定制的芯片比方普通的GPU和CPU快15到30倍
protobuf div chm cli cpu tac .net 攻略 margin GOOGLE開發自己的加速機器學習的芯片已經不是什麽秘密了,最先發布出來的是TPU(Tensor Processing Units),在2016年5月I/O開發大會上發布的。可是沒有
gpu和cpu區別
數據流 速度 數據 線程數 data 延時 應用 cti 指令 GPU的功耗遠遠超過CPUCache, local memory: CPU > GPU Threads(線程數): GPU > CPURegisters: GPU > CPU 多寄存器可
ND4J求多元線性迴歸以及GPU和CPU計算效能對比
上一篇部落格《梯度下降法求多元線性迴歸及Java實現》簡單了介紹了梯度下降法,並用Java實現了一個梯度下降法求迴歸的例子。本篇部落格,嘗試用dl4j的張量運算庫nd4j來實現梯度下降法求多元線性迴歸,並比較GPU和CPU計算的效能差異。 一、ND4J簡介 &nb
tensorflow指定gpu和cpu
如果機器中有多塊GPU,tensorflow會預設吃掉所有能用的視訊記憶體, 如果實驗室多人公用一臺伺服器,希望指定使用特定某塊GPU。 可以在檔案開頭加入如下程式碼: import os os.environ["CUDA_DEVICE_ORDER"] = "PCI_BU
tensorflow模型中的GPU和CPU配置
1.GPU和CPU硬體環境設定 1.1. 多GPUs環境設定 gpu='0' #表示PCI卡槽gpu0可見 gpu='3' #表示PCI卡槽gpu3可見 gpu='3,2,0' #表示PCI卡槽g
高效能運算系列之四-高效能運算中FPGA,GPU和CPU
1. 高效能運算中FPGA,GPU和CPU的簡介 近年來,傳統用於影象處理的GPU逐漸被髮掘用來進行高效能運算,並且達到了相當好的效果,在單精度浮點運算中的速度達到5TFLOPs,在雙精度浮點運算中的速度可以達到1TFLOPs。如今效能最好的GPU處理器(比如NVidea的Tesla K20和K40)與
Google自研的TPU速度比GPU和CPU快15倍至30倍
谷歌已開發出了自己的定製晶片來加速其機器學習演算法,這已不是什麼祕密。這家公司早在2016年5月的I/O開發者大會上首次披露了名為Tensor處理單元(TPU)的那類晶片,但是它從來沒有非常詳細深入地介紹過這款晶片,只是表示該晶片針對公司自己的TensorFlow框架進行了優化。如今,它頭一遭披露了
cuda 在GPU和CPU之間複製陣列
#define CUDACHECK(cmd) do { \ cudaError_t e = cmd;
tensorflow-gpu 和cpu使用訓練ssd模型感想(顯示卡記憶體不足解決辦法)
ssd 模型對於GPU ,CPU來說都適用,但是通過我的訓練de'd得到的一下經驗來說,GPU訓練時基本不到1秒每步,而cpu在使用avx2的基礎上,訓練的每步需要將近1分鐘,可想而知GPU訓練是cpu訓練的60倍左右,這將大大提高大家的訓練速度。 而且,之前我y
ubuntu14.04完整安裝caffe(GPU)教程
註釋: 由於網上很多連結並不適用本人機器,在參考他人的教程後,根據自己機器實際情況,安排瞭如下教程。 適用硬體要求:顯示卡GTX1050,1060,1070,1080系列 軟體:cuda8.0,cudnn5.1,opencv3.0 安裝過程: 安裝好ubuntu1
ubuntu16.04 安裝tensorflow(GPU、CPU)
連結:https://mirrors.tuna.tsinghua.edu.cn/help/tensorflow/【注:需要更改成清華源】GPU安裝:適用GTX1050,GTX1060,GTX1070,GTX1080等高階顯示卡系列安裝好系統後,更新驅動。系統設定-》軟體和更新
ubuntu16.04 安裝caffe(GPU)
1、首先安裝caffe之前我已經安裝好基於GPU的tensorflow,所以顯示卡驅動+cuda+cudnn我都已經安裝好。 教程如下: http://blog.csdn.net/xhjj520/article/details/78857353 2、另外 安裝opencv2
ubuntu16.04 安裝caffe 無GPU
export PYTHONPATH=/home/tom/caffe/python:$PYTHONPATH /home/tom/caffe/python為自己安裝 caffe下的python 資料夾所在的路徑 本人遇到make pycaffe出現錯
Ubuntu18.04下安裝配置Caffe-SSD-GPU版本並MNIST模型測試和matlab caffe介面測試
Ubuntu18.04->sogou->顯示卡驅動->matlab2018a->cuda9.0->cudnn5.01->opencv3.4.1->caffe opencv 和caffe 比較難裝。其中opencv最為慢,主要make 一次太久。
ubuntu16.04 安裝CUDA 8.0 和 cuDNN 5.1 /cudnn6.0,可適用於gpu版本的(tensorflow,caffe,mxnet)
轉載https://zhuanlan.zhihu.com/p/27890924文章,略有修改,感謝原作者 環境: ubuntu 16.04GTX 960 安裝步驟 安裝Nvidia驅動 系統設定 --> 軟體與更新 --> 附加驅動,如下圖選擇nvidia官
ubuntu安裝配置caffe-ssd gpu版本,配置cuda和cudnn
寫在前面:電腦聯想Y410,顯示卡755,ubuntu16.04,本文是caffe-ssd,沒有安裝anaconda,使用的python是系統自帶的2.7版本,以前安裝anaconda後兩種python版本管理不好會出錯。1、將gcc版本降低cuda8.0對應的gcc版本是5
【Caffe】Ubuntu16.04上配置安裝caffe(Only CPU)
nts dia 使用 word sci oos evel 成功 eve 一、首先看看自己的系統,Ubuntu16.04,cpu,沒有Nvidia,沒有opencv 二、安裝依賴包 安裝protobuf,leveldb,snappy,OpenCV,hdf5, protob
win7下同時安裝caffe和tensorflow
down mirror ins tun sta ref 文件 pytho build 0:今天是20171114,這個教程不知道能有效到什麽時候 1:我們安裝的GPU版,所以要安裝cuda,這四個平臺同時兼容的版本是,cuda8+cudnn6。去官網下的話就是cuda
Caffe初學者第一部:Ubuntu14.04上安裝caffe(CPU)+Python的詳細過程 (親測成功, 20180524更新)
cython ase n-n 4.5 ipython 下載速度 nds evel CI 前言: 最近在學習深度學習,最先要解決的當然是開源框架的環境安裝了。之前一直在學習谷歌的Tensorflow開源框架,最近實驗中需要跟別人的算法比較,下載的別人的代碼很多都是Caffe的