Caffe, Pylearn2をまとめて試す - Qiita
Help us understand the problem. What is going on with this item? It's spam
It's abusive or harmful
It contains inappropriate content
SubmitStockStockedUnstockLinked from Linked from Linked from Linked from
SubmitWe don't reply to any feedback.If you need help with Qiita, please send a support request from .in the exam,the---you are,----mistakes you will makeA more cafeful,less B more cafeful,the fewer为什么
雨停时分兜326
B more cafeful,the fewer越细心错误就越少,错误这个词是可数的,所以用fewer
为您推荐：
其他类似问题
扫描下载二维码作者：朱伟
发布时间： 05:23:10
感谢欧新宇的分享，此配置贴大部分参考他的博客。& & & &此贴历经坎坷，一入DL深似海啊，配个caffe玩玩足足折腾了我半个多月，就在我想放弃之时，峰回路转，成功了，其中心酸只有自己知道啊。起初安装ubuntu因为引导问题折腾了一三天左右，然后各种方式安装及引导ubuntu手到擒来，半小时搞定。然后开始在笔记本安装cuda，出现各种问题不说，最终无法进入GUI折腾了近一个星期，其间重装了不下15次系统，最后才发现好像是optimus双显卡的问题，也罢，直接卸载也不愿在笔记本上折腾了。再然后在单显卡台机上安装cuda，非常顺利，接着开始安装各种依赖库及配置环境，遇到问题疯狂google（百度真心不行啊），这样折腾了有一个星期之久，最终遇到一个连google都搜不到的问题，思考半晌，考虑放弃这么高大上的东西了。在不忍删除辛苦安装的系统用再生龙备份之余，想想试试ubuntu12.04，结果虽然遇到不少问题，都曲折的解决了，最终一天终于搞定了，一把鼻涕一把泪啊！我想应该是属于比较倒霉的，跟着别人的教程按部就班，但是每一步都出现问题，本人又是linux新手，出现问题只能google，所以浪费了太长时间。现在回头想想，好像真的没什么地方很难解决的，理应一天时间搞完的，最多有一些版本之间的冲突，真心觉得时间花费的有点不值。总之，成功了，也是醉了。。。 & & &简单介绍一下：Caffe，一种Convolutional Neural Network的工具包，和Alex的cuda-convnet功能类似，但各有特点。都是使用C++ CUDA进行底层编辑，Python进行实现，原作不属于Ubuntu 12，也有大神发布了Windows版，但其他相关资料较少，不适合新手使用，所以还是Ubuntu的比较适合新手。 & & 本人为Linux新手，安装ubuntu和cuda折腾了一个多星期，起初是因为ubuntu安装导致引导失效，中途每次都需要手动引导进入系统，然后安装cuda失败后用ultraISO制作U盘启动重新安装才恢复正常。至于安装过程可以参考：一、CUDA Toolkit的安装和调试这里其实可以参考nVidia 官方提供的CUDA安装手册，全英文的，我就是参考这个文档完成后面的配置和验证工作。/rdp/cuda-65-rc-toolkit-download#linux。一般要输入你的用户名和密码，就是下载6.5的那个账号。1、Verify You Have a CUDA-Capable GPU执行下面的操作，然后验证硬件支持GPU CUDA，只要型号存在于/cuda-gpus，就没问题了$ lspci | grep -i nvidia2、Verify You Have a Supported Version of Linux$ uname -m && cat /etc/*release重点是“x86_64”这一项，保证是x86架构，64bit系统3、Verify the System Has gcc Installed$ gcc --version4、Download the NVIDIA CUDA Toolkit下载地址：/cuda-toolkit在根目录下新建cuda_install文件夹，把run文件放进去mkdir cuda_install验证地址：/rdp/cuda-rc-checksums$ md5sum filename例如：md5sum cuda_6.5.14_linux_64.run，然后与官网核对5、安装必要的一些库和头文件文件sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev如果有依赖冲突的，建议分开安装。6、Handle Conflicting Installation Methods根据官网介绍，之前安装的版本都会有冲突的嫌疑所以，之前安装的Toolkit和Drievers就得卸载，屏蔽，等等（因为我是新系统，没有安装过nvidia驱动，所以此步可以省略）sudo apt-get --purge remove nvidia*7、Graphical Interface Shutdown退出GUI，也就是X-Win界面，操作方法是：同时按：CTRL+ALT+F1（F2-F6），切换到TTY1-6命令行模式。关闭桌面服务：$ sudo stop lightdm8、Interaction with Nouveau & & 这是卡住本人将近一个星期的问题，我原来用的是笔记本，双显卡，装了不下二十次，不管按照何种方法，最终装完cuda之后图形界面就只剩下墙纸，只有鼠标可以动，进不了桌面还打不开终端，最后换了一个台式机，半天所有东西全部搞定。原来以为是nouveau过于顽固，怎么样都卸不掉，之后顿悟，可能是optimus显卡问题，默认3D渲染由nvidia独显完成，而2D渲染由intel集显完成，但是我的机子是华硕的，BIOS里面无法关闭集显（貌似thinkpad可以），所以没有进一步尝试，反正台式机环境搭好了。 & & 如果遇到以上问题，可以移步： & & 可能装了这个bumblebee显卡调节程序可能解决问题，也可以参考此贴： & & 还有一个之前没找到的帖子，白白浪费了那么长时间。。。用prime解决这个问题 & & 百度经验也有：Nouveau是一个开源的显卡驱动，Ubuntu 14.04 默认安装了，但是它在nvidia驱动安装过程中会有冲突，所以要禁用它。以下是欧新宇同学的过程，反正我按照这个没有成功，大家可以试试，因为在第三步中我的boot文件夹里没有initramfs，只有initrd，重新生成initrd貌似不起作用，这就是linux新手的悲哀，出了问题完全不知道原因。如果有高人指点一下，小弟感激不尽！（1）将nouveau添加到黑名单，防止它启动$ cd /etc/modprobe.d$ sudo vi nvidia-graphics-drivers.conf写入：blacklist nouveau保存并退出: wq!检查：$ cat nvidia-graphics-drivers.conf（2）对于：/etc/default/grub，添加到末尾。$ sudo vi /etc/default/grub末尾写入：rdblacklist=nouveau nouveau.modeset=0保存并退出: wq!检查：$ cat /etc/default/grub（3）官网提供的操作：(感觉上这一小步，可以略过，不执行，执行了也会报错)$ sudo mv /boot/initramfs-$(uname -r).img /boot/initramfs-$(uname -r)-nouveau.img然后重新生成initrd文件$ sudo dracut /boot/initramfs-$(uname -r).img $(uname -r)$ sudo update-initramfs -u上面那条是nVidia官方提供的命令，不知道为什么在我这里会提示dracut是不存在的命令，也许是版本问题，或者少了什么包，不过无所谓，第二条命令也可以搞定，应该是一样的功能。我试过在ubuntu12.04下安装，只要修改/etc/modprobe.d/blacklist.conf就可以解决问题，可是ubuntu14.04中这个文件是只读的，所以我就给它添加了写的权限，强制修改了。sudo chmod +w /etc/modprobe.d/blacklist.confsudo vi /etc/modprobe.d/blacklist.conf在里面加入:blacklist nouveauoptions nouveau modeset=0由于试过很多种方法，最终是哪种方法成功禁用了nouveau，说实话我还真不记得了，大家可以互相交流。测试nouveau是否被禁用成功很简单：（1）重启之后明显感觉画质变差（2）lsmod | grep nouveau，如果显示为空，那么就是卸载成功了。9、Installation默认情况下，可以跳过显卡驱动的安装，直接安装CUDA，因为它包含了Drivers，Toolkit和Sample三个部分，但是如果出现问题，可以尝试二次安装CUDA或者利用官方的显卡驱动，来进行处理。GTX显卡驱动的下载地址如下（Tesla版的驱动，请大家自己去nVidia的官网下载）：下载地址：/drivers$ sudo sh ./NVIDIA-Linux-x86_64-340.24.run (Optional)切换到cuda_6.5.14_linux_64.run 所在的目录，然后执行安装命令：$sudo cd cuda_install$ sudo sh cuda_6.5.11_rc_linux_64.run再次提醒，安装前一定要执行 md5sum ，如果不一样会导致安装的Sumary里显示Driver成功，Toolkit和Samples失败，需要重新下载run文件。这里会一路问你各种问题，基本上就是Accept-yes-Enter-yes-Enter-yes-Enter， 接受协议，安装的默认位置确认。10、驱动装完了，可以回到GUI界面了$ sudo start lightdm（在这里又出现问题，开机重启后进不了GUI，估计是显卡版本有问题，本机配置Nvidia Quadro K600显卡，官网下载专用驱动，按以上步骤重新安装，在CUDA安装过程中的第一步提示是否安装显卡驱动选择no）检查显卡是否安装成功可以用命令sudo apt-get install mesa-utilsglxinfo | grep -i nvidia11、POST-INSTALLATION ACTIONS这一步就是验证一下安装是否正确，编译和完成以下CUDA自带的程序，建议做一下~（1）Environment Setup$ export PATH=/usr/local/cuda-6.5/bin:$PATH$ export LD_LIBRARY_PATH=/usr/local/cuda-6.5/lib64:$LD_LIBRARY_PATH环境变量配置完，使用nvcc -V命令检查cuda是否安装正确，这里开始使用普通用户操作，始终提示没有安装cuda toolkit，最后改到root用户下就显示成功了。（2）(Optional) Install Writable Samples$ cuda-install-samples-6.5.sh安装到Home下，搞定了之后可以在GUI下调整一下，主要是前面的要求，会有一个Sample的文件夹 NVIDIA_CUDA-6.5_Samples在Home的根目录下就ok了。因为后面编译测试各方面什么的方便。其实如果之前安装CUDA驱动和Toolkit一切正常，这一步基本可以省略，应该会自动建立，但检查一下无妨。（3）Verify the Installationa. 验证驱动的版本，其实主要是保证驱动程序已经安装正常了$ cat /proc/driver/nvidia/versionb. Compiling the Examples$ nvcc -V不出意外的话应该会提示，nvcc没有安装，其实就是，nvidia-cuda-toolkit的编译器没有安装完整，总之，根据提示继续就好了$ sudo apt-get install nvidia-cuda-toolkit这里安装完，就可以编译了，切换目录到~/NVIDIA_CUDA-6.5_Samples：$ cd /home/username/NVIDIA_CUDA-6.5_Samples$ makec. Running the Binaries运行编译好的文件，例如看看设备的基本信息和带宽信息：$ cd /bin/x86_64/linux/release$ ./deviceQuery$ ./bandwidthTestPS：如果测试的时候出现说运行版驱动和实际驱动不符，原因可能是因为后面安装的nvidia-cuda-toolkit更新了配置文件，所以和原始的Cuda-Samples的配置或者是驱动程序有变化，所以检测无法编译通过。考虑下面的解决方法：（1）卸载现有驱动$ sudo nvidia-installer --uninstall（2）下载合适版本的驱动，并安装：下载地址：/drivers$ sudo sh ./NVIDIA-Linux-x86_64-340.24.run（3）重装CUDA Toolkit$ sudo sh cuda_6.5.11_rc_linux_64.runNvidia Cuda安装结束二、Caffe的安装和测试对于Caffe的安装严格遵照官网的要求来：http://caffe.berkeleyvision.org/installation.html1、安装BLAS这里可以选择（ATLAS，MKL或者OpenBLAS），我这里使用MKL，首先下载并安装英特尔® 数学内核库 Linux* 版MKL，下载链接是：/en-us/intel-education-offerings，可以下载Student版的，先申请，然后会立马收到一个邮件（里面有安装序列号），打开照着下载就行了。下载完之后，要把文件解压到home文件夹，或者其他的ext4的文件系统中。接下来是安装过程，先授权，然后安装：$ tar zxvf parallel_studio_xe_2015.tgz&（如果你是直接拷贝压缩文件过来的）$ chmod a+x /home/username/parallel_studio_xe_2015 -R$cd parallel_studio_xe_2015$ sudo ./install_GUI.sh然后进入图形安装模式，跟windows差不多，其中序列号就是邮箱发过来的那个。这里使用root权限安装。$ sudo passwd root2、MKL与CUDA的环境设置文件夹切换到/etc/ld.so.conf.d，并进行如下操作（1）新建intel_mkl.conf， 并编辑之：$ cd /etc/ld.so.conf.d$ sudo vi intel_mkl.conf加入：/opt/intel/lib/intel64 & & & & /opt/intel/mkl/lib/intel64（2）新建cuda.conf，并编辑之：$ sudo vi cuda.conf加入：/usr/local/cuda/lib64 & & & & /lib（3） 完成lib文件的链接操作，执行：$ sudo ldconfig -v（这里我按照这样的方法最终编译出现cblas找不到的问题，应该是MKL安装有问题，但是又没办法解决，最终我就按照官网的方法安装了ATLASsudo apt-get install libatlas-base-dev一句话就搞定，虽然性能可能比不上MKL，但是将就着能用就行。）3、安装OpenCV（1）这里我用他的方法发现报错，所以按照依赖包以正常方式安装sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg62-dev libtiff4-dev cmake libswscale-dev libjasper-dev这里libtiff4-dev出现依赖错误，于是分开安装就解决了。（2）根据官网提示，还要安装python，于是：sudo apt-get install python-pipsudo apt-get install python-devsudo apt-get install python-numpy（3）下载官网opencv压缩包，我下载的是opencv-3.0.0-alpha.zip，移动到主目录下，解压：unzip opencv-3.0.0-alpha然后执行以下命令：cd opencv-3.0.0-alphamkdir releasecmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..(这里可能会遇到CMakeList.txt找不到的问题，把“..”换成CMakeList.txt的所在目录opencv-3.0.0-alpha就可以了）makesudo make install这个过程时间比较久，耐心等待。。。下面配置library，打开/etc/ld.so.conf.d/opencv.conf，加入/usr/local/lib：sudo suvi /etc/ld.so.conf.d/opencv.confsudo ldconfig -v然后更改变量：sudo gedit /etc/bash.bashrc添加：PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfigexport PKG_CONFIG_PATH至此opencv安装配置完成，最后随便写个hello.cpp，包含#include &opencv2/core/core.hpp&进行测试，在命令行输入：g++ hello.cpp -o hello `pkg-config --cflags --libs opencv`编译不报错就说明配置正确，其中有个问题弄了半天要注意，这个命令中的单引号不是平常的单引号，而是键盘上tab键上面那个符号。（在14.04下opencv安装还算顺利，但是后来转到12.04下安装opencv-3.0.0出现一堆错误，折腾了很长时间，最终换成opencv-2.4.9，很快解决中途可能会遇到这个错误：opencv-2.4.9/modules/gpu/src/nvidia/core/NCVPixelOperations.hpp(51): error: a storage class is not allowed in an explicit specialization参考，重新下载取代opencv2.4.9中的即可。如果遇到这个错误，参考 & &/usr/bin/ld: cannot find -lcufft & &/usr/bin/ld: cannot find -lnpps & &/usr/bin/ld: cannot find -lnppi & &/usr/bin/ld: cannot find -lnppc & &/usr/bin/ld: cannot find -lcudart编译命令改为g++ -L /usr/local/cuda/lib64/ hello.cpp -o hello `pkg-config --cflags --libs opencv`）4、安装其他依赖项（1） Google Logging Library（glog），下载地址：/p/google-glog/，然后解压安装：$ tar zxvf glog-0.3.3.tar.gz$cd glog-0.3.3$ ./configure$ make$ sudo make install如过没有权限就chmod a+x glog-0.3.3 -R , 或者索性 chmod 777 glog-0.3.3 -R , 装完之后，这个文件夹就可以kill了。（历经坎坷，最终ubuntu14.04由于不知名错误实在无法解决，投入到了ubuntu12.02的怀抱。这里需要安装另外两个依赖项：gflags、lmdb。不装之后编译会出问题。参考：/index.php/archives/52/# glogwget&https://google-/files/glog-0.3.3.tar.gz&tar&zxvf glog-0.3.3.tar.gz&cd&glog-0.3.3./configure&make&&& make install&# gflagswget&/schuhschuh/gflags/archive/master.zip&unzip&master.zip&cd&gflags-master&mkdir&build && cd build&export&CXXFLAGS=&-fPIC&&&& cmake .. && make&VERBOSE=1make&sudo make install&# lmdbgit&clone git://gitorious.org/mdb/mdb.git&cd&mdb/libraries/liblmdb&make&&& make install）（2）其他依赖项，确保都成功$ sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev如果安装过程中出现错误，E: Sub-process /usr/bin/dpkg returned an error code (1)，可能是因为sudo apt-get install出现到意外，不用着急，可以试试这个解决办法：（我没有遇到这个问题）$ cd /var/lib/dpkg$ sudo mv info info.bak$ sudo mkdir info$ sudo apt-get --reinstall install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev如果使用的是2014年9月之后的新版Caffe,对于ubuntu 14.04来说，需要安装以下依赖文件：$ sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler5、安装Caffe并测试1. 切换到Caffe的下载文件夹，然后执行：$ cp Makefile.config.example Makefile.config修改新生成的Makefile.config文件，修改“BLAS := mkl”（我这里装的就是ATLAS，所以不用改，使用默认配置就行）。希望使用nVidia开发的cuDNN来加速Caffe模型运算的同学，在安装完cuDNN之后，确保Makefile.config文件中的USE_CUDNN := 1处于启用状态。幸运的是，新版的Caffe已经默认集成了cuDNN的库文件，不需要做额外的设置了。cuDNN的安装方法如下：下载cuDNN之后解压，进入解压后的文件夹：$ sudo cp cudnn.h /usr/local/include$ sudo cp libcudnn.so /usr/local/lib$ sudo cp libcudnn.so.6.5 /usr/local/lib$ sudo cp libcudnn.so.6.5.18 /usr/local/lib链接cuDNN的库文件$ sudo ln -sf /usr/local/lib/libcudnn.so.6.5.18 /usr/local/lib/libcudnn.so.6.5不做链接，可能会出现这个报错：“./build/tools/caffe: error while loading shared libraries: libcudnn.so.6.5: cannot open shared object file: No such file or directory”那是因为cuDNN没有链接成功，只能做一下硬链接。下面可以编译caffe-master了！！！$ make all$ make test$ make runtest这里出现libcudnn.so.6.5：cannot open shared object file，查看LD_LIBRARY_PATH发现环境变量没问题，折腾了半天发现cuda的配置文件没有加进去，就是上面安装MKL时候的cuda.conf忘了写了。错误Fixed：1. 如果提示： make: protoc: 命令未找到，那是因为protoc没有安装，安装一下就好了。$ sudo apt-get install protobuf-c-compiler protobuf-compiler2. (该问题已经在9月以后的Caffe中得到作者修复)提示“src/caffe/util/math_functions.cu(140): error: calling a host function(&std::signbit &) from a globalfunction(&caffe::sgnbit_kernel &) is not allowed”解决办法：修改 ./include/caffe/util/math_functions.hpp 224行删除(注释)：using std::修改：DEFINE_CAFFE_CPU_UNARY_FUNC(sgnbit, y[i] = signbit(x[i]));为：DEFINE_CAFFE_CPU_UNARY_FUNC(sgnbit, y[i] = std::signbit(x[i]));得到作者，大神Yangqing Jia的回复，解决方法如上，没有二致。六、使用MNIST数据集进行测试Caffe默认情况会安装在$CAFFE_ROOT，就是解压到那个目录，例如：$ home/username/caffe-master，所以下面的工作，默认已经切换到了该工作目录。下面的工作主要是，用于测试Caffe是否工作正常，不做详细评估。具体设置请参考官网：http://caffe.berkeleyvision.org/gathered/examples/mnist.html1. 数据预处理可以用下载好的数据集，也可以重新下载，我网速快，这里就偷懒直接下载了，具体操作如下：$ cd data/mnist$ sudo sh ./get_mnist.sh2. 重建LDB文件，就是处理二进制数据集为Caffe识别的数据集，以后所有的数据，包括jpe文件都要处理成这个格式$ cd examples/mnist$ sudo sh ./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PS: 这里可能会遇到一个报错信息：Creating lmdb..../create_mnist.sh: 16: ./create_mnist.sh: build/examples/mnist/convert_mnist_data.bin: not found解决方法是，直接到Caffe-master的根目录执行，实际上新版的Caffe，基本上都得从根目录执行。~/caffe-master$ sudo sh examples/mnist/create_mnist.sh3. 训练mnist$ sudo sh examples/mnist/train_lenet.sh至此，Caffe安装的所有步骤完结，下面是一组简单的数据对比，实验来源于MNIST数据集，主要是考察一下不同系统下CPU和GPU的性能。可以看到明显的差别了，虽然MNIST数据集很简单，相信复杂得数据集，差别会更大，Ubuntu+GPU是唯一的选择了。测试平台：i7-4770K/16G/GTX 770/CUDA 6.5MNIST Windows8.1 on CPU：620sMNIST Windows8.1 on GPU：190sMNIST Ubuntu 14.04 on CPU：270sMNIST Ubuntu 14.04 on GPU：160sMNIST Ubuntu 14.04 on GPU with cuDNN：35sCifar10_full on GPU wihtout cuDNN：73m45s = 4428s　（Iteration 70000）Cifar10_full on GPU with cuDNN：20m7s = 1207s　（Iteration 70000）
京ICP备 Copyright @ 2007
中国科学报社
All Rights Reserved& 相关文章 &
caffe make runtest error（core dumped）Check failed: status == CUDNN_STATUS_SUCCESS (6 vs. 0)
TypeParam = double
] CuDNNConvolutionLayerTest/1.TestSimpleConvolutionGroupCuDNN
F:30.68 cudnn_conv_layer.cpp:30] Check failed: status == CUDNN_STATUS_SUCCESS (6 vs. 0)
CUDNN_STATUS_ARCH_MISMATCH
*** Check failure stack
caffe卷积神经网络框架安装
在makefile中有
MKL_LIB_DIR := $(MKL_DIR)/lib $(MKL_DIR)/lib/intel64
把intel64改为ia32，因为我电脑的libmkl_rt.so在/opt/intel/mkl/lib/ia32下。
然后执行make test,没事。
继续执行 make runtest，有很多输出了。
不过出现了
*** Check failure stack trace: ***
make: *** [runtest] 已放弃 (core dumped)
据网上说是段错误。估计是caffe代码有bug。
目前为止，总算算是安装成功了。
接下来就是解决上面的bug了。
Install the new caffe with support cuDNN library
the boost-1.53 by source code), then this error gone. So I successfully finished the make test, but when I try make runtest, another error occurs!
Its say cudnn not initilize, this confusing me.
Luckly I heard some suggestions from the caffe user group
文件，修改“BLAS := mkl”， 修改Makefile文件，将BLAS ?= atlas修改为BLAS ?= mkl，不然后面编译会报错（如下面红色字体部分）。
make runtest /usr/bin/g++ src/caffe/solver.cpp -pthread -fPIC -DNDEBUG -O2 -I/usr/local/include/python2.7 -I/usr/local/lib/python2.7
在Ubuntu 14.04 上安装Caffe碰到的问题
。我这样作会不会太暴力了，但幸运的是，这样make all就通过了。 七、Boost安装 接下来顺利执行了make all，make test，以为make runtest也可以顺利通过了，然后就可以收拾下回寝室回家了，可是可是，它还是错了。 错误提示： [ PASSED ] 832 tests.
[ FAILED ] 6 tests, listed below:
[ FAILED ] PowerLayerTest/0.TestPowerGradientShiftZero, where
Ubuntu14.04 Caffe安装
//usr/lib/x86_64-linux-gnu/libvorbis.so.0：对‘__acosf_finite@GLIBC_2.15’未定义的引用 解决方法：如果你装了anaconda包的话，删除anaconda/lib/下面的 libm sudo rm -rf libm* 最后编译成功，哈哈。 make all make test 最后一步 make runtest 有错误 .build_release/test/test_all.testbin 0 --gtest_shuffle
Caffe 编译安装
make runtest
编译的时候如果要引入cuDNN加速，你需要在文件Makefile.config中解注释USE_CUDNN := 1。 如果你的电脑上没有 GPU，你应该使用CPU-only模式的Caffe，请在文件Makefile.config中解注释CPU_ONLY := 1 。 要编译 Python 和 MATLAB 包，请独立的执行make pycaffe和make matcaffe . 请务必首先在Makefile.config中配置你的MATLAB 和 Python路径
。 在anaconda官网下载.sh文件，执行，最后添加bin目录到环境变量即可。 7. 编译Caffe 进入caffe根目录， 首先复制一份Makefile.config cp Makefile.config.example Makefile.config 编译： make all make test make runtest 在make时可能会出现error： “src/caffe/util/math_functions.cu(140): error: calling a host function("std
粗略 ubuntu下配置caffe
make all make test make runtest 到此处caffe的安装工作已完成。下面是安装python wrapper的过程（optional） 切换到 caffe/python，选用豆瓣的源： 1. pip install numpy (如果跳过这一步，后面会出错，我猜是requirements.txt中package顺序的问题) 2. pip install -r /path/to/caffe/python/requirements.txt
链接地址 3. 切换到 caffe的根目录然后 make pycaffe
caffe+Ubuntu14.0.4 64bit 环境配置说明(无CUDA,caffe在CPU下运行)
模式，打开此选项则可以在eclipse或者NSight中debug程序
完成上述设置后，开始编译：
make all -j4
make runtest
注意：-j4 是指使用几个线程来同时编译，可以加快速度，j后面的数字可以根据CPU core的个数来决定，如果CPU是4核的，则参数为-j4，也可以不添加这个参数，直接使用“make all”，这样速度可能会慢一点儿。 6.使用MNIST数据集进行测试
Caffe默认情况会安装在
can help you make sense out of those obscure core dumps. We'll look at one of the most simple problem analysis available, backtracing. This article is filed under the Linux section, but it's equally applicable to any other platform on which you have
./libcxxtest.a 然后直接make，但此时会报编译错误，诸如： ./cxxtest/Descriptions.cpp:18: error: ‘numberToString’ was not declared in this scope ./cxxtest/LinkedList.cpp:9: error: ‘RealSuiteDescription’ has not been declared 需要对Root.cpp稍作改动，有两种方式： 一是Roo.cpp的#include所有其他.cpp
Caffe + Ubuntu 14.04 64bit + CUDA 6.5 配置说明
make runtest 注意 -j4 是指使用几个线程来同时编译， 可以加快速度， j后面的数字可以根据CPU core的个数来决定， 我的CPU使4核， 所以-j4. 然后去尿个尿，喝杯茶， 回来就差不多编译好了.. 9.1. 编译Matlab wrapper 执行如下命令 make matcaffe 然后就可以跑官方的matlab demo啦。 9.2. 编译Python wrapper
make pycaffe 然后基本就全部安装完拉. 接下来大家尽情地跑demo吧～
make runtest 注意 -j4 是指使用几个线程来同时编译， 可以加快速度， j后面的数字可以根据CPU core的个数来决定， 我的CPU使4核， 所以-j4. 8.2 编译Matlab wrapper 执行如下命令 make matcaffe 然后就可以跑官方的matlab demo啦。 8.3 编译Python wrapper
make pycaffe 然后基本就全部安装完拉. 接下来大家尽情地跑demo吧～
[root@localhost lyl]# make install [root@localhost build]# make 问题： omp.c:9714: error: implicit declaration of function ‘g_utf8_substring’ 将g_utf8_substring(text, 0, 60)替换为g_strndup(text, 60); [root@localhost build]# make install ——————/安装
坑爹的Caffe ＋ Ubuntu14.04 + NVIDIA 环境配置
取到某个路径 然后再开始编译 cp Makefile.config.example
Mkefile.config make all -j8 make test -j8 make runtest -j8 (有时候，如果环境变量和共享库那一步没做好，runtest的时候会报错，是cudart找不到文件，各种查都不知道为什么，最后用了个博客的做法) (sudo ldconfig /usr/local/cuda-6.5/bin) 实验跑一个MNIST 下载MNIST数据库，放在caffe/data
Caffe + Ubuntu 14.04 64bit + CUDA 6.5 配置说明
MATLAB wrapper的同学需要指定matlab的安装路径, 如我的路径为 /usr/local/MATLAB/R2013b (注意该目录下需要包含bin文件夹，bin文件夹里应该包含mex二进制程序) DEBUG 是否使用debug模式，打开此选项则可以在eclipse或者NSight中debug程序 完成设置后， 开始编译 make all -j4
make runtest 注意 -j4 是指使用几个线程来同时编译， 可以加快速度， j后面的数字可以根据CPU core的个
Core Dump解析
%e_%s" &/proc/sys/kernel/core_pattern [root@yyy]# ./test Segmentation fault (core dumped) [root@yyy]# ls core.2890 core_test_11.2898 libmylib.so main.c Makefile mylib.c mylib.h test 6）调试 [root@yyy]# gdb test core.2890 GNU gdb Red Hat Linux
linux 执行 iptables 命令出错 segmentation fault (core dumped) 的解决
linux 执行 iptables 命令出错： segmentation fault (core dumped) systemctl status iptables.service
出错 code=dumped signal=SEGV 现象： 一台机器被强制手动关闭了，重新启动后，防火墙(iptables)不能启动，系统启动日志 /var/log/boot.log 中出现如下错误： failed to start ipv4 firewall with iptables failed
在SRTP目录下运行： make runtest 出现： [runtest] Error 254
解决方法： 在test目录下修改rtpw_test.sh 中line 7 ： RTPW=rtpw 改为： RTPW=./rtpw line 21：
killall rtpw 2&&/dev/null 改为： killall rtpw 2&/dev/null
参考：链接地址 在执行： make progdocs 出现： /bin/bash: line 1: doxygen: command
& 2012 - 2014 &
&All Rights Reserved. &
/*爱悠闲图+*/
var cpro_id = "u1888441";
/*爱悠闲底部960*75*/
var cpro_id = "u1888128";