1. 程式人生 > >安裝Caffe-Master(GPU和CPU)

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

python中的caffe載入測試圖

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(GPUCPU)

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GPUCPU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

gpucpu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GPUCPU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gpucpu

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GPUCPU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,GPUCPU

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GPUCPU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GPUCPU之間複製陣列

#define CUDACHECK(cmd) do { \ cudaError_t e = cmd;

tensorflow-gpu 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caffeGPU)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(GPUCPU

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caffeGPU

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caffeGPU

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 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cudacudnn

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caffetensorflow

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