首先，官方的参考文献为：http://caffe.berkeleyvision.org/installation.html。
现在开始：
安装一些依赖包（对于gcc与g++编译器，就不多说了，可以apt-get install build-essentital）,命令如下：
现在安装cuda,官方网站：https://developer.nvidia.com/cuda-zone：
点击downloads,然后出现下图，我选择的为linux下的x86_64架构下的ubuntu的14.04的runfile(local)安装包：
安装时，参考官方文档http://developer.download.nvidia.com/compute/cuda/7.5/Prod/docs/sidebar/CUDA_Installation_Guide_Linux.pdf，下面说安装步骤（官方一些没有必要的骤没写）：
1.确认有一个CUDA-Capable的显卡，可以输入以面命令，会出来一些信息，说明你的显卡符合条件。
此外，还可以通过官方网站 http://developer.nvidia.com/cuda-gpus 来查看你的显卡是否符合。
2，确认系统有正确的内核头文坐件与开发包，直接输入以下命令安装就好啦（系统不一样，命令也不一样，具体看官方文档）
sudo apt-get install linux-headers-$(uname -r)
3，我采用的是runfile方式安装：
首先，禁掉linux系统本身自带的显卡驱动 nouveau,方法为在 /etc/modprobe.d/目录下建一个文件名为：blacklist-nouveau.conf，写入一些内容，具体如下：
写入：
执行：
其次，以命令行模式重启电脑，对于debian8，进入命令行模式的方法为，输入：
进入窗口方式的方法为，输入：
好，现在我们用命令行重启电脑了，确认nouveau驱动没有启动，输入以下命令，不出现任何东西哦
好，现在找到我们下载的cuda_7.5.18.linux.run文件，给它可执行权限，安装它(记得用sudo，给它一些安装包写入的权限）：
在这个过程中，分问你安装路径，我直接默就好，还会问你是否安装一些包，我除了openGL没有安装，其余都安装了，因为，笔记本有核心显卡，屏幕显示会用核心显卡，如果安装了openGL,可能会出现显示不正常的现像；台式机没事。
下面是device node verification,看看是是否存在 /dec/nvidia*之类的文件和是否有读写权限，如果没有文件，我们自己添加，没有权限，自己改就好，添加方法，看这个脚本文件：
# Count the number of NVIDIA controllers found.
NVDEVS
=`lspci | grep -i NVIDIA` N3D=`echo "$NVDEVS" | grep "3D controller" | wc -l` NVGA=`echo "$NVDEVS" | grep "VGA compatible controller" | wc -l` N=`expr $N3D + $NVGA - 1` for i in `seq 0 $N`; do mknod -m 666 /dev/nvidia$i c 195 $i done mknod -m 666 /dev/nvidiactl c 195 255 else
exit
1 fi /sbin/modprobe nvidia-uvm if [ "$?" -eq 0 ]; then
# Find out the major device number used by the nvidia
-uvm driver D=`grep nvidia-uvm /proc/devices | awk '{print $1}'` mknod -m 666 /dev/nvidia-uvm c $D 0 else
exit
1 fi
现在我们回到图形桌面，方法如上面已说。设置环境变量，我的办法是在.bashrc里添加如下（我的是64位系统,完成后关）：
如果32位的话，这样写：
到此安装基本完成，现在一些确认安装成功的验证步骤：
查看安装的驱动信息（注意，对于iGPU/dGPU没作用）：
查看CUDA Toolkit的版本，可以输入：
现在，我们运行一下自带的examples，由于我是默认的安装路径，所以，进入~/~/NVIDIA_CUDA-7.5_Samples下，make.命令如下：
完成以后，在~/NVIDIA_CUDA-7.5_Samples/bin/86_64/linux/release路径下（我的是这样的路径）,分别运行deviceQuery与
bandwidthTest文件，会分别出现这样的结果（不一定一样，类似）：
CUDA Driver Version
/ Runtime Version 7.5 / 7.5
CUDA Capability Major
/Minor version number: 2.1
Total amount of global memory:
1024 MBytes (1073479680 bytes) ( 2) Multiprocessors, ( 48) CUDA Cores/MP: 96 CUDA Cores GPU Max Clock rate: 1250 MHz (1.25 GHz) Memory Clock rate: 900 Mhz Memory Bus Width: 64-bit L2 Cache Size: 131072 bytes Maximum Texture Dimension Size (x,y,z) 1D=(65536), 2D=(65536, 65535), 3D=(2048, 2048, 2048) Maximum Layered 1D Texture Size, (num) layers 1D=(16384), 2048 layers Maximum Layered 2D Texture Size, (num) layers 2D=(16384, 16384), 2048 layers Total amount of constant memory: 65536 bytes Total amount of shared memory per block: 49152 bytes Total number of registers available per block: 32768
Warp size: 32 Maximum number of threads per multiprocessor: 1536 Maximum number of threads per block: 1024 Max dimension size of a thread block (x,y,z): (
1024, 1024, 64) Max dimension size of a grid size (x,y,z): (65535, 65535, 65535) Maximum memory pitch: 2147483647 bytes Texture alignment: 512 bytes Concurrent copy and kernel execution: Yes with 1 copy engine(s) Run time limit on kernels: No Integrated GPU sharing Host Memory: No Support host page-locked memory mapping: Yes Alignment requirement for Surfaces: Yes Device has ECC support: Disabled Device supports Unified Addressing (UVA): Yes Device PCI Domain ID / Bus ID / location ID: 0 / 1 / 0
Compute Mode:
< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver
= CUDART, CUDA Driver Version = 7.5, CUDA Runtime Version = 7.5, NumDevs = 1, Device0 = GeForce GT 620M Result = PASS
Device to Host Bandwidth, 1
Device(s) PINNED Memory Transfers Transfer Size (Bytes) Bandwidth(MB/s) 33554432 3316.7
Device to Device Bandwidth, 1
Device(s) PINNED Memory Transfers Transfer Size (Bytes) Bandwidth(MB/s) 33554432 13068.0
Result
= PASS NOTE: The CUDA Samples are not meant for performance measurements. Results may vary when GPU Boost is enabled. yinheyi@yinheyi-Aspire-V5-471
好啦，cuda安装完成啦。
现在再安装一下GPU Deployment Kit，下载地址：http://developer.download.nvidia.com/compute/cuda/7.5/Prod/local_installers/cuda_352_79_gdk_linux.run ,安装方法与上面一样，直接运行它就可以啦，不多说啦。
安装BLAS：对于BLAS的依赖，我选择安装ATLAS（还可以通过安装MKL, or OpenBLAS），方法为：
安装Python以及依赖的库：一般我们的系统都自带我python, 我的版本为2.7.
虽然安装我python,但是很多需要的库并没有，我们可以进入我们下载的caffe包（可以在这里下载）里面，打开 caffe包里面的 /python/requirements.txt文件，这里面就是它的依赖的库，在该目录下，可以通过下面命令下载(如果直接输入命令不管用，可以把它写入到一个脚本里面）：
如果提示找不到 pip 命令，则说明没有 pip 这个工具，那么下载它： https://pypi.python.org/packages/source/p/pip/pip-1.5.6.tar.gz，然后解压，里面有一个setup.py的文件，执行这个文件就可以安装pip了。
有些电脑可能会提示 no moudle name setuptools 的错误，这是没有安装setuptools的原因。那就需要先安装一下setuptools, 到https://pypi.python.org/packages/source/s/setuptools/setuptools-19.2.tar.gz 下载安装包setuptools-19.2.tar.gz，然后解压执行：
当我用pip下载相关的库文件时，发现下载的速度好慢，老是失败，后来想改一下镜像源（豆瓣）,方法如下
:在~目录下建立.pip文件夹，cd .pip后使用vi pip.conf建立pip的配置文件，输入如下内容：
index
-url = http://pypi.douban.com/simple/ [install] use-mirrors = true
mirrors
= http://pypi.douban.com/simple/ trusted-host = pypi.douban.com
然后，可以下载啦，速度还不错。
另外还有个办法，那就是安装anaconda，我就是用的这个方法，anaconda里面已经包括了很多的库文件。
anaconda的下载安装：
我们可以查看anaconda的安装包里都包括什么：https://docs.continuum.io/anaconda/pkg-docs
下载地址：https://www.continuum.io/downloads#linux (这里有 anaconda的所有版本：https://repo.continuum.io/archive/）
安装时，参考官方文档：https://docs.continuum.io/anaconda/install
找到下载好的文件，我的为Anaconda2-4.1.1-linux-x86_64.sh文件，给它可执行权限，直接运行就好啦，在安装过程中，最好选择默认的安装路径，即~/anaconda2，最后安装完成后会出现“Installation finished.” and “Thank you for installing Anaconda!”信息。
安装以后，它会自动的在 ~/.bashrc文件中加入PTAH变量，打开确认一下，如果没有，自己添加如下内容：
下面， 我们再加一下它的动态库的路径：
好啦，现在安装完成啦。
最后，To import the caffe Python module after completing the installation, add the module directory to your $PYTHONPATH by export PYTHONPATH=caffe的路经/python:$PYTHONPATH .我的做法就是在.bashrc中加入PYTHONPATH经路经。我加的是：
PYTHONPATH＝”~/home/yinheyi/caffe/python:$PYTHONPATH"
可能还需要安装一些相关依赖，运行如下命令安装：
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
安装OpenCV：我是在官网上http://opencv.org/下载的，然后自己编译（也可以通过apt-get install来安装，具体方法自己google)，可以参才考http://docs.opencv.org/2.4.13/doc/tutorials/introduction/linux_install/linux_install.html#linux-installation.
1，首先下载opencv for linux，然后unpack.
2，然后解决安装之前的依赖问题：
以上第一个是需要的编译器，第二个是需要的依赖包，第三个是可选择的包。
3，进入我们 opencv-2.4.13目录下，创建一个 新的目录，比如名字为release,然后进入release下，cmake就好啦（cmake需要一些参数的，不会用cmake的，自己百度或google学），具体命令如下(我的文件在用户目录下，即~/,第)：
上面最后行的参数可以改的。
进入release目录下，执行：
配置openCV参数设置
在/etc/ld.so.conf.d/opencv.conf文件中加入一行：/usr/local/lib ,（加入动态库，不明白的可以自己百度一下ldconfig)
可能会没有opencv.conf这个文件，那我们就自己创建一个:
sudo touch /etc/ld.so.conf.d/opencv.conf,然后写入 /usr/local/lib就可以啦。
使用下面这条命令：
sudo ldconfig
最后，在~/.bashrc文件里，加入这么一行。
安装：cudnn,下载地址：https://developer.nvidia.com/cudnn（如果你的GPU的compute capability的能力小于3.0，就不需要cudnn来加速，否则后面安装caffe时会出错，下面已经提到）
cudnn是专门针对Deep Learning框架设计的一套GPU计算加速方案，目前支持的DL库包括Caffe，ConvNet, Torch7等。安装的基本原理是把解压后的相关文件复制到CUDA工具箱的相关目录下（官方文档：http://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html）。操作如下：
$ tar -xzvf cudnn-9.0-linux-x64-v7.tgz
$ sudo cp cuda/include/cudnn.h /usr/local/cuda/include $ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 $ sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
在复制的过程中，或许需要注意软链接的问题。
现在OK啦。
安装caffe:
先进入caffe包里，然后复制一份名为Makefile.config.example的文件为Makefile.config.根据自己的情况配置一下Makefile.config. 下面是我自己的配置文件。然后，执行：
make all make test make runtest
OK，完成啦。
在make runtest时，因为用的是anaconda,如果出现了这样的错误：
解决方法：try to remove readline in anaconda lib so as to use the default system one.
进入到 anaconda的 lib 路径下（可以不用进入这个路径的），运行如下代码：
在make runtest时，出现了这样的类似的错误：
[ RUN ] CuDNNConvolutionLayerTest
/1.TestSimpleConvolutionGroupCuDNN F1014 08:55:30.083176 23568 cudnn_conv_layer.cpp:30] Check failed: status == CUDNN_STATUS_SUCCESS (6 vs. 0) CUDNN_STATUS_ARCH_MISMATCH *** Check failure stack trace: ***
@ 0x2b082d0a8daa
(unknown) @ 0x2b082d0a8ce4 (unknown) @ 0x2b082d0a86e6 (unknown) @ 0x2b082d0ab687 (unknown) @ 0x739689 caffe::CuDNNConvolutionLayer<>::LayerSetUp() @ 0x42c1f0 caffe::Layer<>::SetUp() @ 0x49d776 caffe::CuDNNConvolutionLayerTest_TestSimpleConvolutionGroupCuDNN_Test<>::TestBody() @ 0x68d613 testing::internal::HandleExceptionsInMethodIfSupported<>() @ 0x6840b7 testing::Test::Run() @ 0x68415e testing::TestInfo::Run() @ 0x684265 testing::TestCase::Run() @ 0x6875a8 testing::internal::UnitTestImpl::RunAllTests() @ 0x687837 testing::UnitTest::Run() @ 0x41e9d0 main @ 0x2b0831cf1ec5 (unknown) @ 0x4261c7 (unknown) @ (nil) (unknown) make: *** [runtest] Aborted (core dumped) caffe::NetTest_TestReshape_Test<>::TestBody() @ 0x68d613 testing::internal::HandleExceptionsInMethodIfSupported<>() @ 0x6840b7 testing::Test::Run() @ 0x68415e testing::TestInfo::Run() @ 0x684265 testing::TestCase::Run() @ 0x6875a8 testing::internal::UnitTestImpl::RunAllTests() @ 0x687837 testing::UnitTest::Run() @ 0x41e9d0 main @ 0x2b2a9f778ec5 (unknown) @ 0x4261c7 (unknown) @ (nil) (unknown) make: *** [runtest] Aborted (core dumped)
原因在于，我的显卡为GT620M，它的compute capability为2.1，而cuDNN requires a GPU with CUDA compute capability 3.x or higher ，所以呢，我要把Makefile.config中的 USE_CUDNN:=1注释掉，重新编译，执行如下：
make clean
make all -j4 make test -j4 make runtest -j4
具体看的自己的显卡的compute capability,可以在官网看：https://developer.nvidia.com/cuda-gpus。
最后，如果用python 接口，请执行：
make pycaffe
打开python, import caffe成功。
如果出现：ImportError: No module named google.protobuf.internal
那就直接在终端中安装protobuf就好，执行：
pip install protobuf
现在再试，OK，可以啦。
最最后，如果py-faster-rcnn就不能正常导入caffe，把~/.bashrc中的anaconda的PATH路径去掉。（这是我看到的，我也不知道什么意思，写进去吧， 万一如果出现了可以作为参考）
终结！
原文链接: https://www.cnblogs.com/yinheyi/p/5909546.html
欢迎关注
微信关注下方公众号，第一时间获取干货硬货；公众号内回复【pdf】免费获取数百本计算机经典书籍;
也有高质量的技术群，里面有嵌入式、搜广推等BAT大佬
原创文章受到原创版权保护。转载请注明出处：https://www.ccppcoding.com/archives/395689
非原创文章文中已经注明原地址，如有侵权，联系删除
关注公众号【高性能架构探索】，第一时间获取最新文章
转载文章受原作者版权保护。转载请注明原作者出处！
