您的位置：首页 > Web前端

Ubuntu16.04+CUDA8.0+caffe配置

2017-01-05 17:46 471 查看
经过两天坚持不懈，终于在Ubuntu16.04系统上将caffe成功配置。过程中踩过无数个坑，遇到很多错误，幸运的是这些错误都解决了，因此撰写该博客记录caffe的配置过程，以及对配置过程中遇到的错误提供解决办法，避免今后再配置caffe时又踩坑。

电脑配置

系统：Ubuntu16.04
GPU:NVIDIA GTX1080

安装过程

1.安装相关依赖项

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 libopenblas-dev liblapack-dev libatlas-base-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
1
2
3
4
1
2
3
4

2.安装NVIDIA驱动

（1）查询NVIDIA驱动

首先去官网(http://www.nvidia.com/Download/index.aspx?lang=en-us)查看适合自己显卡的驱动：



图1.显卡驱动查询

例如本人电脑的显卡驱动如下图：



图2.显卡驱动版本

（2）安装驱动

安装之前先卸载已经存在的驱动版本：

sudo apt-get remove --purge nvidia*
1
1
若电脑是集成显卡（NVIDIA独立显卡忽略此步骤），需要在安装之前禁止一项：

sudo service lightdm stop
1
1
执行以下指令安装驱动：

sudo add-apt-repository ppa:xorg-edgers/ppa
sudo apt-get update
sudo apt-get install nvidia-367 #注意在这里指定自己的驱动版本！
1
2
3
1
2
3
安装完成之后输入以下指令进行验证：

sudo nvidia-smi
1
1
若列出了GPU的信息列表则表示驱动安装成功。

3.安装CUDA

CUDA是NVIDIA的编程语言平台，想使用GPU就必须要使用cuda。

（1）下载CUDA

首先在官网上(https://developer.nvidia.com/cuda-downloads)下载CUDA：



图3.CUDA下载

（2）安装CUDA

下载完成后执行以下命令：

sudo sh cuda_8.0.27_linux.run
1
1
注意：执行后会有一系列提示让你确认，但是注意，有个让你选择是否安装nvidia361驱动时，一定要选择否：

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?
1
1
因为前面我们已经安装了更加新的nvidia367，所以这里不要选择安装。其余的都直接默认或者选择是即可。
可能出现的错误：

当出现“unsupport complier”错误时，说明gcc版本太高，需要降低gcc版本。解决办法如下：

以gcc4.9与g++4.9为例

安装低版本gcc与g++：

sudo apt-get install gcc-4.9 g++-4.9
1
1
之后进入/usr/bin:

cd /usr/bin
1
1
先删除和gcc5.0关联的gcc:

sudo rm gcc
sudo rm g++
1
2
1
2
再建个软连接

sudo ln -s gcc-4.9 gcc
sudo ln -s g++-4.9 g++
1
2
1
2
然后重新安装。

（3）环境变量配置

打开~/.bashrc文件：

sudo vim ~/.bashrc
1
1
将以下内容写入到~/.bashrc尾部：

export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
1
2
1
2

（4）测试CUDA的sammples

cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery #由自己电脑目录决定
make
sudo ./deviceQuery
1
2
3
1
2
3
如果显示一些关于GPU的信息，则说明安装成功。

4.配置cuDNN

cuDNN是GPU加速计算深层神经网络的库。

首先去官网(https://developer.nvidia.com/rdp/cudnn-download)下载cuDNN,可能需要注册一个账号才能下载。由于本人的显卡是GTX1080，所以下载版本号如下图：



图4.cuDNN下载

下载cuDNN5.1之后进行解压，cd进入cuDNN5.1解压之后的include目录，在命令行进行如下操作：

sudo cp cudnn.h /usr/local/cuda/include/    #复制头文件
1
1
再将cd进入lib64目录下的动态文件进行复制和链接：

sudo cp lib* /usr/local/cuda/lib64/    #复制动态链接库
cd /usr/local/cuda/lib64/sudo rm -rf libcudnn.so libcudnn.so.5    #删除原有动态文件
sudo ln -s libcudnn.so.5.0.5 libcudnn.so.5  #生成软衔接
sudo ln -s libcudnn.so.5 libcudnn.so      #生成软链接
1
2
3
4
1
2
3
4

5.安装opencv3.1

从官网(http://opencv.org/downloads.html)下载OpenCV,并将其解压到你要安装的位置，假设解压到了/home/opencv。

安装前准备，创建编译文件夹：

cd ~/opencv
mkdir build
cd build
1
2
3
1
2
3
配置：

cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
1
1
编译：

make -j8 #-j8表示并行计算，根据自己电脑的配置进行设置，配置比较低的电脑可以将数字改小或不使用，直接输make。
1
1
以上只是将opencv编译成功，还没将opencv安装，需要运行下面指令进行安装：

sudo make install
1
1
可能会出现的错误：

错误内容1：

gcc-4.9: error trying to exec 'cc1plus': execvp:
没有那个文件或目录
1
2
1
2
说明gcc与g++版本不兼容，解决办法跟gcc版本太高时一样：

安装低版本gcc与g++：

sudo apt-get install gcc-4.9 g++-4.9
1
1
之后进入/usr/bin:

cd /usr/bin
1
1
先删除和gcc5.0关联的gcc:

sudo rm gcc
sudo rm g++
1
2
1
2
再建个软连接

sudo ln -s gcc-4.9 gcc
sudo ln -s g++-4.9 g++
1
2
1
2
错误内容2：

modules/cudalegacy/src/graphcuts.cpp:120:54: error:
‘NppiGraphcutState’ has not been declared
typedef NppStatus (*init_func_t)(NppiSize oSize,
NppiGraphcutState** ppState, Npp8u* pDeviceMem);
1
2
3
4
1
2
3
4
这是因为opecv3.0与cuda8.0不兼容导致的。解决办法：

修改 ～/opencv/modules/cudalegacy/src/graphcuts.cpp文件内容，如图：



图5.文件修改

6.配置caffe

（1）将终端cd到要安装caffe的位置。

（2）从github上获取caffe：

git clone https://github.com/BVLC/caffe.git[/code]1 1
注意：若没有安装Git，需要先安装Git：

sudo apt-get install git
1
1
（3）因为make指令只能make Makefile.config文件，而Makefile.config.example是caffe给出的makefile例子，因此，首先将Makefile.config.example的内容复制到Makefile.config：

sudo cp Makefile.config.example Makefile.config
1
1
（4）打开并修改配置文件：

sudo gedit Makefile.config #打开Makefile.config文件
1
1
根据个人情况修改文件：
a.若使用cudnn，则

将
#USE_CUDNN := 1
修改成：
USE_CUDNN := 1
1
2
3
4
1
2
3
4
b.若使用的opencv版本是3的，则

将
#OPENCV_VERSION := 3
修改为：
OPENCV_VERSION := 3
1
2
3
4
1
2
3
4
c.若要使用Python来编写layer，则

将
#WITH_PYTHON_LAYER := 1
修改为
WITH_PYTHON_LAYER := 1
1
2
3
4
1
2
3
4
d. 重要的一项 :

将# Whatever else you find you need goes here.下面的

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib
修改为：
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 /usr/lib/x86_64-linux-gnu/hdf5/serial
1
2
3
4
5
1
2
3
4
5
这是因为ubuntu16.04的文件包含位置发生了变化，尤其是需要用到的hdf5的位置，所以需要更改这一路径.

（5）修改makefile文件

打开makefile文件，做如下修改：

将：
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)
替换为：
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
1
2
3
4
1
2
3
4
（6）编辑/usr/local/cuda/include/host_config.h

将其中的第115行注释掉：

将
#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!
改为
//#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!
1
2
3
4
1
2
3
4
（7）编译

make all -j8 #-j根据自己电脑配置决定
1
1
编译过程中可能会出现如下错误：
错误内容1：

"fatal error: hdf5.h: 没有那个文件或目录"
1
1
解决办法：
step1:在Makefile.config文件的第85行，添加/usr/include/hdf5/serial/ 到 INCLUDE_DIRS，也就是把下面第一行代码改为第二行代码。

将：
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
替换为：
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/
1
2
3
4
1
2
3
4
stept2:在Makefile文件的第173行，把 hdf5_hl 和hdf5修改为hdf5_serial_hl 和 hdf5_serial，也就是把下面第一行代码改为第二行代码。

将：
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5
改为：
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial
1
2
3
4
1
2
3
4
错误内容2：

"libcudart.so.8.0 cannot open shared object file: No such file or directory"
1
1
解决办法是将一些文件复制到/usr/local/lib文件夹下：

#注意自己CUDA的版本号！
sudo cp /usr/local/cuda-8.0/lib64/libcudart.so.8.0 /usr/local/lib/libcudart.so.8.0 && sudo ldconfig
sudo cp /usr/local/cuda-8.0/lib64/libcublas.so.8.0 /usr/local/lib/libcublas.so.8.0 && sudo ldconfig
sudo cp /usr/local/cuda-8.0/lib64/libcurand.so.8.0 /usr/local/lib/libcurand.so.8.0 && sudo ldconfig
1
2
3
4
1
2
3
4
（8）测试

sudo make runtest
1
1
如果运行之后出现下图，说明caffe配置成功。



图6.caffe测试结果

到此caffe配置完毕！

MNIST数据集测试
配置caffe完成后，我们可以利用MNIST数据集对caffe进行测试，过程如下：
1.将终端定位到Caffe根目录

cd ~/caffe
1
1
2.下载MNIST数据库并解压缩

./data/mnist/get_mnist.sh
1
1
3.将其转换成Lmdb数据库格式

./examples/mnist/create_mnist.sh
1
1
4.训练网络

./examples/mnist/train_lenet.sh
1
1
训练的时候可以看到损失与精度数值，如下图：



图7.MNIST数据集训练

可以看到最终训练精度是0.9914。

参考文献
[1] (http://blog.csdn.net/yhl_leo/article/details/50961542)

[2] (http://www.th7.cn/system/lin/201608/176823.shtml)

[3] (http://www.tuicool.com/articles/JvUvQjZ)

[4] (http://www.linuxidc.com/Linux/2015-11/124913.htm)
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息
标签： 
相关文章推荐
新的分享
章节导航