ubuntu 系统下的Caffe环境搭建

对于caffe的系统一般使用linux系统，当然也有windows版本的caffe，不过如果你一开始使用了windows下面的caffe，后面学习的过程中，会经常遇到各种错误，网上下载的一些源码、模型也往往不能快速的跑起来，因为貌似caffe的官方只提供了linux版本，而且caffe在不断的快速迭代更新中，如果不使用原版的话，后面编译出现什么问题，自己怎么错的，自己都不知道。本篇博文主要讲解快速搭建caffe环境：

电脑系统：ubuntu 14.04

显卡：GTX 850

在ubuntu下要完整的搭建caffe，个人感觉最难的一步就是cuda的安装了，特别是对于双显卡的电脑来说，很容易黑屏、无法登陆图形界面，这个我安装了n久，都没装成功，因为我的电脑笔记本双显卡，每次装完cuda就黑屏，网上的教程一大堆，但都中看不中用，导致我重装了二三十次的系统，最后才成功。这里为了讲caffe的安装，我们先不使用GPU，进行安装测试，因为没有GPU我们依旧可以跑caffe，只是速度比较慢而已。

1、安装caffe所需要的依赖库

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

这些库要安装挺久的，请耐心等待。

2、下载caffe。

到github上下载caffe：https://github.com/BVLC/caffe。下载完成后，解压caffe源码包。解压后，我们打开文件，可以看到caffe的源码包如下：

3、配置Make.config 文件。caffe文件解压后，文件夹下面有一个Makefile.config.example文件，我们需要对这个文件进行重命名为：Make.config  。也就是去掉后缀example。然后我们打开这个文件，可以看到如下内容：

然后我们把：#CPU_ONLY:=1，那一行的注释符号去掉：CPU_ONLY:=1。这是因为我们没有安装CUDA，还不能使用gpu，所以我们把配置改为只使用cpu。

4、编译caffe。

方案一:

(1)在完成Make.config配置后，我们输入命令：

make all

进行caffe源码编译.这一步有可能遇到如下错误:

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

如果出现这个错误,那么输入命令:

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

然后在进行make all 就可以了

(2)编译完成后，在安装python接口，输入命令：

make pycaffe

这个如果不使用python接口，调用caffe模型的话也可以不用安装，不过建议还是搞一下，就一句话的事。完事后，我们会发现caffe源码目录下，多了一个build文件，这个文件下面有个tools，打开这个文件夹：

这个文件夹下面的工具可是个好东西啊，以后我们会经常用到这些可执行文件，最常用的就是可执行文件：caffe，我们只要调用这个工具，就可以进行训练。

(3)接着编译test文件夹下面的源码。命令如下：

make test
make runtest

采用这种方案一般没问题,不过我在使用c++调用的时候,会使用到链接库:libcaffe.so.1.0.0-rc3,这种方法编译后没有生成这个文件;经过google查找,发现采用cmake编译,才会生成libcaffe.so文件

方案二:直接采用cmake:

mkdir build
cd build
cmake ..
make all -j8

5、测试阶段

安装完了，自然要测试一下能不能用咯。首先cd到caffe目录，然后输入命令：

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 改为 CPU。因为我们还没装GPU，暂时只使用CPU就好了。

然后我们运行脚本：

./examples/mnist/train_lenet.sh

这个时候，如果成功的话，就会开始跑起来：

说明：如果在使用caffe、或者编译安装caffe过程中，出现如下错误：

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&)'

那么请修改上面的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的相关库文件。

接着就开始caffe搞起吧，推荐个caffe模型网站：https://github.com/BVLC/caffe/wiki/Model-Zoo。本来个人不是很喜欢caffe的，就是因为这个网站吸引了我，这个网站可以搞到好多caffe模型、源码，非常适合于我们学习。

二、在Eclipse中使用编译调试caffe

1、首先就是安装Eclipse，然后安装c++开发插件，这个可以百度搜一下，eclipse下面怎么进行c++开发。

2.导入caffe makefile工程到eclipse （由于是英文版，下面描述也用英文，省的翻译，方便大家调试）
（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++函数调用相关路径，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环境搭建

最近在ubuntu搞了一个月的caffe，总感觉很不爽，因为ubuntn下面的c++集成开发工具，eclipse用起来没有vs爽，因为对caffe的函数名不是很熟悉，所以需要借助vs的c++助手。然后前一个月大部分也是调用pycaffe，但是最近感觉需要对caffe的c++函数比较熟悉，才能把自己的能力进一步提高，于是就开始搞起了windows 下的caffe，借助vs的强大功能，快速学习caffe。一开始采用vs2012，最后各种错误，最后改成vs2013很容易就编译成功了。

一、安装编译环境

1、    Visual studio2013

       这个比较简单，不写步骤了。

2、python 2.7.6

       为了能使用python调用Caffe，首先需要安装python，这个也简单，问度娘很多。注意两点：

①安装的时候记得勾选pip，这个工具很nice，可以为你省很多不必要的麻烦；

②安装完后设置好环境变量。可以再cmd命令中输入python检查，如果不报错，则恭喜。

       接下来利用pip工具安装这几个包：numpy、scipy、matplotlib、scikit-image、protobuf

在cmd命令行内输入：pip install numpy即可，其他几个类似。

3、matalb

        这个安装过程比较慢，也没什么需要注意的，这里直接略去。

二、安装caffe

1、caffe源码包

下载地址：https://github.com/Microsoft/caffe

2、编译配置

      将下载的caffe-windows.zip进行解压，并进入其根目录下的windows目录，把这个CommonSettings.props.example文件复制到源目录一份，然后重命名为CommonSettings.props。打开并修改其中的配置项。有几个需要注意的地方：

①是否只是用cpu。如果你的电脑显卡支持GPU编程(是否支持可以去英伟达官网查询)，那么可以配置为false。否则CpuOnlyBuild = true

②是否使用cudnn加速 

③是否使用python和matalb，根据需要配置

④如果配置了python和matlab，这里需要把修改软件目录为自己电脑上的实际安装目录

⑤如果有cuda，则把CudaVersion修改为自己电脑的cuda版本

3、项目编译

        用Visual studio2013打开caffe-master\windows下的Caffe.sln文件，进去后如下图（共16个项目）：

（1）先生成【libcaffe】，右键生成；这里由于别的模块用到了libcaffe，所以，首先生成libcaffe

（2）再选择【解决方案Caffe】进行生成，这里时间比较久，因为Nuget会提示下载一些东西，包括boost,opencv2.4.10,gflags,glog,hdf5,lmdb,LevelDB,OpenBLAS,protobuf等预编译的依赖包。过程有点慢，多等会就ok。下载完成后会在caffe 的同级目录生成NugetPackages的文件。

    如果中途编译失败，出现错误，不用紧张，双击出现如下对话框，确定然后保存，重新编译即可。

4、运行

        右

同时在Build\x64\下生成了很多exe和dll文件。这些工具在后面训练网络、测试时候很有用。

三、体验深度学习

     终于到这了，我们通过一个caffe自带的简单例子来体验一下caffe的网络训练和预测。  

     deep-learning属于有监督学习的一种，一般步骤分为：准备数据、训练模型和测试模型。我们下边也通过这三步来测试一个基于LeNet网络的学习模型。

1、准备训练数据

mnist数据集下载地址：http://yann.lecun.com/exdb/mnist/

下载后解压到caffe-master目录中的\data\mnist内。分别在cmd下输入以下命令

.\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

将数据转化为caffe需要的输入格式。

2、训练模型

①修改模型参数

修改examples\mnist\lenet_solver.prototxt，将最后一行改为solver_mode:CPU，

修改examples\mnist\lenet_train_test.prototxt，如下所示，左面为原始的，右面为修改后的。

②训练模型，训练完毕后会得到相应的准确率和损失率。

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

3、测试模型

      最终训练的模型全职文件保存在example\minst\lenet_iter_10000.caffemodel文件中，训练状态保存在example\minst\lenet_iter_10000.solverstate中。这两个文件都是PrototxtBuffer二进制格式。

      利用训练好的模型权值文件可以测试数据集。运行如下命令：

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

到这，整个caffe在windows上就安装完成了。下一节写Ubuntu下caffe的配置。

谢谢！

任何程序错误，以及技术疑问或需要解答的，请添加