Ubuntu14.04安装Caffe(CPU)

一 安装Ubuntu14.04LTS

Ubuntu分区

1.SWAP 交换分区：与物理内存相当。

2.“/” 根目录分区：该区大小由硬盘大小而定，10-100G。

3.“HOME” 家目录分区：该区也视硬盘大小决定，相当于WINDOWS下的我的文档。

设置中文输入法（Ubuntu 14.04 LTS中自带的iBus输入法非常难用）

1.安装Fcitx

sudo apt-get install fcitx-table-wbpy

终端输入以上命令，然后会自动安装相关的依赖库和框架。

2.配置Fcitx

Ubuntu右上角顶栏的小键盘图标->配置；

系统设置->语言支持->默认输入法换成fcitx。

3.重启电脑

Ubuntu常用指令参考

sudo 　　　　　　　 //调用管理管权限
apt-get 　　　　　　//获取资源
install 　　　　　　//安装
remove 　　　　　　 //删除
rm -r 　　　　　　　//删除文件夹
cp -i dir 　　　　 //复制
cat 　　　　　　　　//查询
echo 　　　　　　　 //打印
vi 　　　　　　　　 //写权限
sudo gedit 　　　　//获取权限后，直接在文本中修改
:i 　　　　　　　　 //写入
:wq 　　　　　　　　//保存
sudo service lightdm stop/start 　　//开关桌面
sudo sh 　　　　　　　　　　　　　　　　//运行
chmod +x ./ 　　　　　　　　　　　　　 //调用文件的权限
su root 或者 sudo 　　　　　　　　　　 //权限问题
sudo matlab 　　　　　　　　　　　　　 //仅仅运行matlab会报错
make clean 　　　　　　　 　　　　　　 //重新编译
mount  umount  　　　　　　　　　　　 //挂载与挂载接触，用来安装iso文件时的过渡过程
sudo find / -name libhdf5.so　　　　//查找名为libhdf5.so的文件所在的位置/目录
sudo gedit /etc/profile -> PATH=/xxx/xxx/bin:$PATH -> source /etc/profile //添加环境变量

二 搭建Caffe环境

输入命令，检查显卡信息。

lspci | grep -i vga

发现没有Nvidia显卡，所以只能暂时放弃Gpu，改用Cpu。

1.安装依赖（所需的依赖包）

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
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
sudo apt-get install libatlas-base-dev
sudo apt-get install python-dev

2.下载Caffe源码

使用Git直接下载或者去https://github.com/BVLC/caffe下载。

git clone https://github.com/bvlc/caffe.git

进入其根目录，Caffe给定了一个样例配置文件：Makefile.config.example，我们需要将复制为Makefile.config文件。

cd caffe/
cp Makefile.config.example Makefile.config //mv Makefile.config.example Makefile.config

3.修改配置文件Makefile.config

因为我们只用CPU，因此需要将Makefile.config文件中“# CPU_ONLY := 1”，前面的＃号去掉即可。

CPU_ONLY := 

4.编译Caffe

进入caffe文件夹根目录下，进行如下操作。

cd ~/caffe
make all -j8
make test -j8
make runtest -j8

make默认是用CPU单核运算，在make后面加上-jn标签，比如-j4使用四核加快速度。

注意：若需要重新编译caffe，请先make clean，否则易出错。

5.编译Python接口 

（1）安装Python

sudo apt-get install python-dev python-pip //sudo apt-get install python

（2）安装Python依赖包

sudo apt-get install python-numpy python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags ipython ipython-notebook python-sympy

（3）依赖包编译

cd ~/caffe
make pycaffe

（4）添加~/caffe/Python到$PYTHONPATH

sudo gedit /etc/profile
# 末尾添加： export PYTHONPATH=/home/ysp/caffe/python:$PYTHONPATH
source /etc/profile

（5）测试是否可以引用

$ python
Python  ( , ::)
[GCC ] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import caffe
>>>

python命令行中import caffe报错

问题：在成功编译caffe的源码之后，打开python解释程序，输入import caffe时，出现以下错误。

>>>import caffe

Traceback (most recent call last):

File "<stdin>", line 1, in <module>

ImportError: No module named caffe

解决：把caffe中的python导入到解释器中。

第一种方法：设置环境变量
在终端中输入：
　　　　export PYTHONPATH=~/caffe/python   #caffe的路径下面的python
　　则该终端起作用，关掉终端后或重新打开一终端，则失效。
在配置文件中输入：
　　A.把环境变量路径放到 ~/.bashrc文件中
　　　　sudo echo export JAVA_HOME="~/caffe/python" >> ~/.bashrc
　　B.使环境变量生效
　　　　source ~/.bashrc　　可以永久有效。

第二种方法：通过代码来实现
在每个python代码中使用以下代码
caffe_root = '/home/ysp/caffe/'
import sys
sys.path.insert(0, caffe_root + 'python')
import caffe

6.安装OpenCV(OpenCV版本>=2.4)

下载opencv安装脚本，直接用脚本安装opencv。

下载脚本后,因为我的系统是ubuntu的，所以接下来的操作针对ubuntu。

cd Install-OpenCV-master/Ubuntu
chmod +x * //添加可执行权限
./opencv_latest.sh

等待大约30分钟，注意有一步输入密码，输入用户密码即可。

配置完opencv，可用如下命令查询其安装版本。

pkg-config --modversion opencv

7.在Mnist运行Lenet

MNIST数据集简介

MNIST数据集是一个大型的手写体数据库，广泛用于机器学习领域的训练和测试，它是由纽约大学的Yann LeCun教授整理的，包括60000个训练样本和10000个测试样本，其图像都是灰度图像，固定尺寸为28x28(像素)。

 （1）获取数据源

caffe源码框架的data/mnist文件夹下有MNIST数据集的下载脚本get_mnist.sh.

首先将路径切换到caffe的根目录下 运行get_mnist.sh脚本 下载原数据集

cd caffe
./data/mnist/get_mnist.sh //sh data/mnist/get_mnist.sh
./examples/mnist/create_mnist.sh //sh examples/mnist/create_mnist.sh

（2）修改 solver_mode 为 CPU（因为是CPU运行，所以修改在examples文件下的Mnist下的lenet_solver.prototxt中的solver_mode:CPU）

vi examples/mnist/lenet_solver.prototxt
#solver_mode: CPU

（3）训练模型

./examples/mnist/train_lenet.sh

整个训练时间会持续很久，没有启用GPU，并且默认是单核，用时5时38分6秒。

分类准确率：99.09%；loss：0.0287848。

（4）测试模型

1.在caffe/examples/images目录下生成手写的一个28*28像素数字的bmp文件。

2.在caffe/examples目录下用Python编写mnist.py。

3.执行上述脚本。