ubuntu 系統下的Caffe環境搭建

對于caffe的系統一般使用linux系統，當然也有windows版本的caffe，不過如果你一開始使用了windows下面的caffe，后面學習的過程中，會經常遇到各種錯誤，網上下載的一些源碼、模型也往往不能快速的跑起來，因為貌似caffe的官方只提供了linux版本，而且caffe在不斷的快速迭代更新中，如果不使用原版的話，后面編譯出現什么問題，自己怎么錯的，自己都不知道。本篇博文主要講解快速搭建caffe環境：

電腦系統：ubuntu 14.04

顯卡：GTX 850

在ubuntu下要完整的搭建caffe，個人感覺最難的一步就是cuda的安裝了，特別是對于雙顯卡的電腦來說，很容易黑屏、無法登陸圖形界面，這個我安裝了n久，都沒裝成功，因為我的電腦筆記本雙顯卡，每次裝完cuda就黑屏，網上的教程一大堆，但都中看不中用，導致我重裝了二三十次的系統，最后才成功。這里為了講caffe的安裝，我們先不使用GPU，進行安裝測試，因為沒有GPU我們依舊可以跑caffe，只是速度比較慢而已。

1、安裝caffe所需要的依賴庫

命令：

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

這些庫要安裝挺久的，請耐心等待。

2、下載caffe。

到github上下載caffe：https://github.com/BVLC/caffe。下載完成后，解壓caffe源碼包。解壓后，我們打開文件，可以看到caffe的源碼包如下：

3、配置Make.config 文件。caffe文件解壓后，文件夾下面有一個Makefile.config.example文件，我們需要對這個文件進行重命名為：Make.config ?。也就是去掉后綴example。然后我們打開這個文件，可以看到如下內容：

然后我們把：#CPU_ONLY:=1，那一行的注釋符號去掉：CPU_ONLY:=1。這是因為我們沒有安裝CUDA，還不能使用gpu，所以我們把配置改為只使用cpu。

4、編譯caffe。

方案一:

(1)在完成Make.config配置后，我們輸入命令：

make all

進行caffe源碼編譯.這一步有可能遇到如下錯誤:

caffe/proto/caffe.pb.h: No such file or directory

如果出現這個錯誤,那么輸入命令:

protoc src/caffe/proto/caffe.proto --cpp_out=. mkdir include/caffe/proto mv src/caffe/proto/caffe.pb.h include/caffe/proto

然后在進行make all 就可以了

(2)編譯完成后，在安裝python接口，輸入命令：

make pycaffe

這個如果不使用python接口，調用caffe模型的話也可以不用安裝，不過建議還是搞一下，就一句話的事。完事后，我們會發現caffe源碼目錄下，多了一個build文件，這個文件下面有個tools，打開這個文件夾：

這個文件夾下面的工具可是個好東西啊，以后我們會經常用到這些可執行文件，最常用的就是可執行文件：caffe，我們只要調用這個工具，就可以進行訓練。

(3)接著編譯test文件夾下面的源碼。命令如下：

make test make runtest

采用這種方案一般沒問題,不過我在使用c++調用的時候,會使用到鏈接庫:libcaffe.so.1.0.0-rc3,這種方法編譯后沒有生成這個文件;經過google查找,發現采用cmake編譯,才會生成libcaffe.so文件

方案二:直接采用cmake:

mkdir build cd build cmake .. make all -j8

5、測試階段

安裝完了，自然要測試一下能不能用咯。首先cd到caffe目錄，然后輸入命令：

sh data/mnist/get_mnist.sh sh examples/mnist/create_mnist.sh vim examples/mnist/lenet_solver.prototxt

把lenet_solver.prototxt里面的solver_mode 改為 CPU。因為我們還沒裝GPU，暫時只使用CPU就好了。

然后我們運行腳本：

./examples/mnist/train_lenet.sh

這個時候，如果成功的話，就會開始跑起來：

說明：如果在使用caffe、或者編譯安裝caffe過程中，出現如下錯誤：

CXX/LD -o .build_release/tools/convert_imageset.bin .build_release/lib/libcaffe.so: undefined reference tocv::imread(cv::String const&, int)'.build_release/lib/libcaffe.so: undefined reference tocv::imencode(cv::String const&, cv::_InputArray const&, std::vector >&, std::vector > const&)'

那么請修改上面的Makefile文件（不是Makefile.config）：

LIBRARIES += glog gflags protobuf leveldb snappy \ lmdb boost_system hdf5_hl hdf5 m \ opencv_core opencv_highgui opencv_imgproc opencv_imgcodecs

也就是在libraries后面，加上opencv的相關庫文件。

接著就開始caffe搞起吧，推薦個caffe模型網站：https://github.com/BVLC/caffe/wiki/Model-Zoo。本來個人不是很喜歡caffe的，就是因為這個網站吸引了我，這個網站可以搞到好多caffe模型、源碼，非常適合于我們學習。

二、在Eclipse中使用編譯調試caffe

1、首先就是安裝Eclipse，然后安裝c++開發插件，這個可以百度搜一下，eclipse下面怎么進行c++開發。

2.導入caffe makefile工程到eclipse （由于是英文版，下面描述也用英文，省的翻譯，方便大家調試）
（1）File→New→Project→C/C++ →Makefile Project with Existing Code.
（2）Create a new Makefile Project from existing code
Projectname:?caffe-master
Existing code location：/home/user/caffe-workspace/caffe-master
Language:?choose C and C++
Toolchain:choose Linux GCC
（3）Then click on caffe-master in Project Explorer (set Window→Open ?Perspective → C/C++).

（4）Now go File → Properties → Run/Debug settings.Click ?New.., and choose C/C++ application
（5）Fill launch configurationproperties
· ? ? ? ?Arguments:
fill ? train –solver=examples/mnist/lenet_solver.prototxt
and change working directory from default to /home/user/caffe-workspace/caffe-master（change to your own directory）

(6)Now you can use debug caffe code: Run-> Debug

三、C++函數調用相關路徑，makefile

CC=g++CXXFLAGS = -O2 -Wall -D__STDC_CONSTANT_MACROS INCLUDE = -I/usr/local/cuda/include -I. -I/usr/local/cuda/include -I/home/hjimce/caffe/include/ -I/home/hjimce/caffe/src/LIBRARY = -L/usr/local/x86_64-linux-gnu/ -lprotobuf \-L/usr/lib/x86_64-linux-gnu/ -lglog \-L/usr/local/cuda/lib64/ -lcudart -lcublas -lcurand \-L/usr/local/lib/ -lm -lpthread -lavutil -lavformat -lavcodec -lswscale -lopencv_core -lopencv_imgproc -lopencv_highgui \-L/usr/lib/python2.7/config-x86_64-linux-gnu/ -lpython2.7 \-L/sur/lib32/ -lrt \-L../../caffe/build/lib/ -lcaffeall:$(CC) $(INCLUDE) $(OBJS) testcpp.cpp -o exercise $(LIBRARY)

windows下的caffe環境搭建

最近在ubuntu搞了一個月的caffe，總感覺很不爽，因為ubuntn下面的c++集成開發工具，eclipse用起來沒有vs爽，因為對caffe的函數名不是很熟悉，所以需要借助vs的c++助手。然后前一個月大部分也是調用pycaffe，但是最近感覺需要對caffe的c++函數比較熟悉，才能把自己的能力進一步提高，于是就開始搞起了windows 下的caffe，借助vs的強大功能，快速學習caffe。一開始采用vs2012，最后各種錯誤，最后改成vs2013很容易就編譯成功了。

一、安裝編譯環境

1、 ? ?Visual studio2013

? ? ? ?這個比較簡單，不寫步驟了。

2、python 2.7.6

? ? ? ?為了能使用python調用Caffe，首先需要安裝python，這個也簡單，問度娘很多。注意兩點：

①安裝的時候記得勾選pip，這個工具很nice，可以為你省很多不必要的麻煩；

②安裝完后設置好環境變量。可以再cmd命令中輸入python檢查，如果不報錯，則恭喜。

? ? ? ?接下來利用pip工具安裝這幾個包：numpy、scipy、matplotlib、scikit-image、protobuf

在cmd命令行內輸入：pip install numpy即可，其他幾個類似。

3、matalb

? ? ? ? 這個安裝過程比較慢，也沒什么需要注意的，這里直接略去。

二、安裝caffe

1、caffe源碼包

下載地址：https://github.com/Microsoft/caffe

2、編譯配置

? ? ? 將下載的caffe-windows.zip進行解壓，并進入其根目錄下的windows目錄，把這個CommonSettings.props.example文件復制到源目錄一份，然后重命名為CommonSettings.props。打開并修改其中的配置項。有幾個需要注意的地方：

①是否只是用cpu。如果你的電腦顯卡支持GPU編程(是否支持可以去英偉達官網查詢)，那么可以配置為false。否則CpuOnlyBuild = true

②是否使用cudnn加速?

③是否使用python和matalb，根據需要配置

④如果配置了python和matlab，這里需要把修改軟件目錄為自己電腦上的實際安裝目錄

⑤如果有cuda，則把CudaVersion修改為自己電腦的cuda版本

3、項目編譯

? ? ? ? 用Visual studio2013打開caffe-master\windows下的Caffe.sln文件，進去后如下圖（共16個項目）：

（1）先生成【libcaffe】，右鍵生成；這里由于別的模塊用到了libcaffe，所以，首先生成libcaffe

（2）再選擇【解決方案Caffe】進行生成，這里時間比較久，因為Nuget會提示下載一些東西，包括boost,opencv2.4.10,gflags,glog,hdf5,lmdb,LevelDB,OpenBLAS,protobuf等預編譯的依賴包。過程有點慢，多等會就ok。下載完成后會在caffe 的同級目錄生成NugetPackages的文件。

? ? 如果中途編譯失敗，出現錯誤，不用緊張，雙擊出現如下對話框，確定然后保存，重新編譯即可。

4、運行

? ? ? ? 右

同時在Build\x64\下生成了很多exe和dll文件。這些工具在后面訓練網絡、測試時候很有用。

三、體驗深度學習

? ? ?終于到這了，我們通過一個caffe自帶的簡單例子來體驗一下caffe的網絡訓練和預測。 ?

? ? ?deep-learning屬于有監督學習的一種，一般步驟分為：準備數據、訓練模型和測試模型。我們下邊也通過這三步來測試一個基于LeNet網絡的學習模型。

1、準備訓練數據

mnist數據集下載地址：http://yann.lecun.com/exdb/mnist/

下載后解壓到caffe-master目錄中的\data\mnist內。分別在cmd下輸入以下命令

.\Build\x64\Release\convert_mnist_data.exe?.\data\mnist\mnist_train_lmdb\train-images.idx3-ubyte?.\data\mnist\mnist_train_lmdb\train-labels.idx1-ubyte?.\examples\mnist\mnist_train_lmdb

.\Build\x64\Release\convert_mnist_data.exe?.\data\mnist\mnist_test_lmdb\t10k-images.idx3-ubyte???.\data\mnist\mnist_test_lmdb\t10k-labels.idx1-ubyte?.\examples\mnist\mnist_test_lmdb

將數據轉化為caffe需要的輸入格式。

2、訓練模型

①修改模型參數

修改examples\mnist\lenet_solver.prototxt，將最后一行改為solver_mode:CPU，

修改examples\mnist\lenet_train_test.prototxt，如下所示，左面為原始的，右面為修改后的。

②訓練模型，訓練完畢后會得到相應的準確率和損失率。

.\Build\x64\Release\caffe.exe?train?--solver=.\examples\mnist\lenet_solver.prototxt

3、測試模型

? ? ? 最終訓練的模型全職文件保存在example\minst\lenet_iter_10000.caffemodel文件中，訓練狀態保存在example\minst\lenet_iter_10000.solverstate中。這兩個文件都是PrototxtBuffer二進制格式。

? ? ? 利用訓練好的模型權值文件可以測試數據集。運行如下命令：

.\Build\x64\Release\caffe.exe test -model examples\mnist\lenet_train_test.prototxt -weights examples\mnist\lenet_iter_10000.caffemodel -iterations 100

到這，整個caffe在windows上就安裝完成了。下一節寫Ubuntu下caffe的配置。

謝謝！

博客有任何錯誤或者疑問，請加VX：1755337994，及時告知！萬分感激！?

總結

以上是生活随笔為你收集整理的Ubuntu18 Win10搭建Caffe训练识别mnist手写数字demo的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。