Ubuntu 14.04 + Caffe配置记录（CPU模式，无GPU，无Cuda）

/****************************************************************************************************************************************************************

*备注:

*       我已经根据这篇文章顺利安装了caffe框架，大家可以放心使用，安装过程十分简单

*****************************************************************************************************************************************************************/

对于使用深度学习进行图像处理，Caffe是一个不错的框架选择。但是安装起来，并不是如想象中容易，稍不注意就会出错。

网上关于Ubuntu14.04下配置Caffe的资料很多，但是总是要自己亲自配置才能获得自己的心得。

从操作系统的版本转换到cuda的版本等变换，加上一下bug，中途浪费了许多时间，折腾了一两天，终于还是配置成功了。

具体参照的链接是：http://blog.csdn.net/u012746763/article/details/50352930

还有一个有cuda安装模式的参考链接主要为：http://www.cnblogs.com/dupuleng/articles/4213834.html

感谢网上许多热心伙伴的贡献，让新入门的可以少走弯路。

由于目前的项目并没有引入GPU使用，只是一个进行初步的测试版本，因此没有配置cuda和GPU模式，仍然使用CPU运行模式。

【注：以下指令都是控制台指令，通过Ctrl+Alt+T快捷打开】

1.  安装【build-essentials】

安装开发所需要的一些基本的包，

sudo apt-get install build-essential

如果不可行，则可以执行：

sudo apt-get update

2. 安装【BLAS】

BLAS 有三类，默认的是ATLAS，其余两种是MKL和OpenBlas, 我一开始安装的OpenBlas，但是后面安装不正确导致caffe部分出错，因此后来是安装的ATLAS，如果要求不高，建议安装ATLAS，方便和安装简单。

sudo apt-get install libatlas-base-dev

注意，这里的选择在后面caffe的配置文件中会需要配置。如果换过，也要记得后面的配置需要修改。

3. 安装【OpenCV】

许多人建议无需手动安装，可以直接下载Github的安装版本（https://github.com/jayrambhia/Install-OpenCV），下载之后进行解压，由于是zip格式的文件，

解压指令为：

unzip -o XXX.zip -d XXXPATH

这里的XXX.zip是路径下的该压缩文件，XXXPATH是指定想要解压到的路径，这里需要注意最好输入绝对路径，当然不怕出错的话，也可以使用相对路径。解压之后可以先check一下。

当然如果是使用git，则直接使用git clone +链接，就直接不需要解压了。这个需要事先已安装git的情况下(sudo apt-get install git)

安装【2.4.9】，不知道为什么网上为什么建议安装2.4.10，我试了两次，都是安装到不到一半电脑都完全卡死，完全不动。因此，这里我建议安装OpenCV2.4.9，这里也有一个链接（https://github.com/bearpaw/Install-OpenCV），其实都可以的。

下载之后，进行解压，然后进入下面目录：

cd Install-OpenCV/Ubuntu/2.4/

给当前目录下的所有sh文件添加可执行权限：

chmod +x *.sh

安装OpenCV2.4.9：

sudo ./opencv2_4_9.sh

4. 安装【dependencies】

任意路径下可执行

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

5. 配置和编译【Caffe】

接下来就可以进行配置了。

当然，首先是下载Caffe，可以从官网上给出的链接下载：https://github.com/BVLC/caffe按照之前相同的方法解压(或者git)之后，进入到caffe目录，然后复制配置文件：

cd ./caffe-master/

cp Makefile.config.example Makefile.config

接下来就是修改配置文件Makefile.config:

sudo vim Makefile.config

如果没有安装vim，可以先安装使用sudo apt-get install vim（关于vi的使用，这里不赘述了）

（如果权限不足，可以先修改文件的权限：

chmod g+w Makefile.config

主要修改的部分为：

1. 将# CPU_ONLY
= 1前面的#去掉 并按“tab”键，（默认从tab处执行），因为这里没有安装GPU，需要使用CPU运行。

2. BLAS ：= atlas, 这是默认设置，如果不是安装的这个，则需要修改。具体修改，该语句上面有注释提示。

3. 设置MATLAB_DIR的路径：如我的是/usr/local/MATLAB/R2014a

这里，提供非常好的MATLAB for Linux的安装教程，

http://blog.csdn.net/lanbing510/article/details/41698285

http://www.cnblogs.com/txg198955/p/5477258.html

如果其中的下载链接失效，可以联系我。

有的时候安装好后指令输入sudo matlab之后，显示matlab command not found.的错误。

这个的解决方法是：

cd /usr/local/bin

sudo ln -s /usr/local/MATLAB/R2014a/bin/matlab matlab

之后只要在终端输入matlab就可以了。

设置完成后，则开始编译过程：

主要过程为：

sudo make all -j4

sudo make test

sudo make runtest

这里，需要注意的是，sudo必须加上，不然中间会报错....Permission Denied...。 另外，第一句中的j后面的数字是可以根据自己的机器的内核数改变，数字越大则表示可以多线程编译，则相应的速度会快。

===========================================================================================

===========================================================================================

【下面的就是自带的数据的训练和测试】

1. 使用MNIST数据集进行训练

（1）对提供的sh文件进行数据的预处理，生成训练和测试数据：

先到caffe下的以下路径：

cd data/mnist

运行：

sudo sh ./get_mnist.sh

会得到四个文件：t10k-images-idx3-ubyte， t10k-labels-idx1-ubyte， train-images-idx3-ubyte， train-labels-idx1-ubyte

（2）把数据处理成LDB文件，

sudo sh ./examples/mnist/create_mnist.sh

生成mnist-train-leveldb/ 和 mnist-test-leveldb/文件夹，这里包含了LDB格式的数据集
参考链接中说得很清楚，这里很容易犯的一个错误（事实上，我也犯了相同错误）是，这里如果先把目录切到/examples/mnist下，再进行运行sudo sh ./create_mnist.sh
 的话，则会报错的。错误信息为：

./create_mnist.sh: 16: ./create_mnist.sh: build/examples/mnist/convert_mnist_data.bin:
not found

（3）训练MNIST

由于我们使用的是CPU，因此这里需要在配置文件中进行修改，

cd /examples/mnist/

vi lenet_solver.prototxt

将文件最后的solver_mode:GPU 改为 solver_mode: CPU

修改完成之后，就可以进行训练了：

sudo sh ./examples/mnist/train_lenet.sh

训练完成之后会得到一个lenet_iter_10000.caffemodel。这里训练的时候需要注意之前的问题，仍然是要在caffe根目录进行训练，不能直接到examples/mnist目录下运行sh

训练成功可得到：



2. 使用MNIST数据集进行测试

训练完成之后，我们当然需要对我们训练的模型进行测试。

我是参照的命令行方式。也可以使用python，matlab进行编译。

首先需要在cd到 ./caffe-master/examples/mnist文件夹下，新建一个sh文件，生成指令为：

touch test_lenet.sh    #生成.sh文件

接着进入该文件进行编辑：

vim test_lenet.sh

编辑的内容为（可Copy）：

#！/usr/bin/env
sh

./build/tools/caffe
test --model=examples/mnist/lenet_train_test.prototxt --weights=examples/mnist/lenet_iter_10000.caffemodel -iterations 100

这里其实就只有两行，一定要保证这一点。否则会出错。

保存之后返回到caffe目录下运行测试，跟之前一样。

sudo
sh ./examples/mnist/test_lenet.sh

测试成功之后可以得到：



===========================================================================================

==========================================================================================

下面是对Python和MATLAB的编译

1.
安装和编译【Python】

安装Anaconda，许多人推荐安装，因为其能独立于系统自带的python库，并且提供大部分Caffe需要的科学运算Python库。

（1）下载官网：https://www.continuum.io/downloads

（2）下载完成之后，在下载目录执行

bash Anaconda2-4.1.0-Linux-x86_64.sh(替换自己下载的版本哈)

我下载的目前最新版，4.1.0，安装完成即将结束时，会询问时候将路径写到bashrc中，这里默认为no，也推荐选则no，接下来再自己配置。

（3）对配置文件进行修改：

sudo vim ~/.bashrc

文件末尾需要添加：

LD_LIBRARY_PATH=your_anaconda_path/lib:$LD_LIBRARY_PATH

export LD_LIBRARY_PATH

（4）安装python-dev和python-pip

sudo apt-get install python-dev python-pip

（5）执行pip

cd ./caffe-master/python

for req in $(cat requirements.txt); do sudo pip install $req; done

（6）编译

sudo make pycaffe

执行成功可见：



2. 安装和编译MATLAB

安装教程的链接之前提供过了，这里假设已经安装好MATLAB

（1）修改caffe目录下Makefile.config中MATLAB_DIR的路径，如果之前已经修改过，这里可跳过。

（2）cd到caffe目录下，运行

sudo make matcaffe

成功页面：



到这里，就已经差不多做完了整个的准备工作。

接下来就可以开始进行自己的测试数据集咯～～

如果有错，请广大网友指正。