Ubuntu16.04 安装 CUDA、CUDNN、OpenCV 并用 Anaconda 配置 Tensorflow 和 Caffe 详细过程

1.配置环境

• Ubuntu16.04 64-bit系统
• cuda_8.0.61_375.26_linux.run (链接: https://pan.baidu.com/s/1jHM96wY 密码: cggg)
• cuda_8.0.61.2_linux.run (链接: https://pan.baidu.com/s/1qXASaEK 密码: g2xr)
• cudnn-8.0-linux-x64-v6.0.tgz (链接: https://pan.baidu.com/s/1nvOfAdz 密码: ma8t)
• opencv-3.2.0.zip（链接: https://pan.baidu.com/s/1slkHRaP 密码: tfhi）
• ippicv_linux_20151201.tgz (链接: https://pan.baidu.com/s/1b9sEOu 密码: yuix)
• Anaconda3-5.0.1-Linux-x86_64.sh (链接: https://pan.baidu.com/s/1slJTIuL 密码: 23z2)
• caffe-master.zip (链接: https://pan.baidu.com/s/1i44uCgX 密码: m72x)

---

2.安装显卡驱动、CUDA 和 CUDNN

• 在Ubuntu系统中的 System Settings -> Software & Updates -> Additional Drivers 安装相应的显卡和CPU驱动，重启后在 System Settings -> Details 中可以看到自己的显卡型号说明安装成功

• 查看 CUDA 官方文档的 PRE-INSTALLATION ACTIONS 部分，一一验证是否符合安装条件

• 在终端运行 sudo sh cuda_8.0.61_375.26_linux --override，Ctrl + C 跳过协议部分，然后accept，下面只有安装驱动的时候选 no （上面已经安装过驱动），其他都是 yes

• 运行 sudo sh cuda_8.0.61.2_linux.run 添加官方补丁

• 添加环境变量，终端运行 sudo gedit /etc/profile 在文件末尾添加

export PATH=/usr/local/cuda-8.0/bin:$PATHexport LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH

• 运行source /etc/profile

• 检查驱动 cat /proc/driver/nvidia/version

• 检查CUDA nvcc -V

• 解压 cudnn-8.0-v6.0 ，拷贝到 CUDA 安装路径

sudo cp cuda/include/cudnn.h /usr/local/cuda/includesudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

---

3.编译安装 OpenCV3.2

• 安装相应的依赖

sudo apt-get install build-essentialsudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-devsudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev # 处理图像所需的包sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-devsudo apt-get install libxvidcore-dev libx264-dev # 处理视频所需的包sudo apt-get install libatlas-base-dev gfortran # 优化opencv功能，此步显示找不到软件sudo apt-get install ffmpeg

• 解压 opencv3.2.0.zip

cd .../opencv-3.2.0mkdir buildcd buildcmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..

• 若出现 – ICV: Downloading ippicv_linux_20151201.tgz… 错误，则复制 ippicv_linux_20151201.tgz 到 opencv-3.2.0/3rdparty/ippicv/downloads/linux-808b791a6eac9ed78d32a7666804320e/ 再继续执行 cmake

• 编译并安装

make -j4       #四核运算  sudo make install

---

4.安装 Anaconda 和 Tensorflow

• 在终端运行 sudo sh ./Anaconda3-5.0.1-Linux-x86_64.sh 即可安装

• 在终端运行如下命令即可安装最新版 Tensorflow

conda create -n tensorflow python=3.6source activate tensorflowpip install tensorflow-gpu

• 若要在终端使用 Tensorflow， 则要先输入 source activate tensorflow，退出时输入 source deactivate

• 若要在 Spyder 中使用 Tensorflow，则需要复制并替换路径 /home/senius/anaconda3/envs/tensorflow/lib/python3.6/site-packages 文件夹中的所有文件到 Anaconda 安装路径下的 lib/python3.6/site-packages 文件夹中

• 若要在 PyCharm 中使用 Tensorflow，则需要在 Files -> Settings -> Project Interpreter 中添加 ~/anaconda3/envs/tensorflow/bin/python 即可

---

4.安装 Caffe 并配置 Python 接口

• 安装必要的依赖库

sudo apt-get install build-essentialsudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compilersudo apt-get install --no-install-recommends libboost-all-devsudo apt-get install libatlas-base-devsudo apt-get install python-devsudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

• 解压 caffe-master, 重命名 Makefile.config.sample 为 Makefile.config 并更改如下内容

a.使用 cudnn USE_CUDNN := 1b.使用的 opencv 版本是 3OPENCV_VERSION := 3c.使用 python 来编写 layerWITH_PYTHON_LAYER := 1d.重要的一项 :将# Whatever else you find you need goes here.下面的INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/includeLIBRARY_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     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e.删除 CUDA_ARCH := 的前两行,避免 CUDA 报错f. 修改 PYTHON_INCLUDE 路径# We need to be able to find Python.h and numpy/arrayobject.h.#PYTHON_INCLUDE := /usr/include/python2.7 \        /usr/lib/python2.7/dist-packages/numpy/core/includeg. 修改 Anaconda 路径# Verify anaconda location, sometimes it's in root.ANACONDA_HOME := $(HOME)/anaconda3PYTHON_INCLUDE := $(ANACONDA_HOME)/include \         $(ANACONDA_HOME)/include/python3.6m \         $(ANACONDA_HOME)/lib/python3.6/site-packages/numpy/core/includeh. 使用 Python3# Uncomment to use Python 3 (default is Python 2)PYTHON_LIBRARIES := boost_python3 python3.6mPYTHON_INCLUDE := /usr/include/python3.6m \                /usr/lib/python3.6/dist-packages/numpy/core/include \                /home/senius/anaconda3/include/python3.6mi. 修改 PYTHON_LIB 路径# We need to be able to find libpythonX.X.so or .dylib.#PYTHON_LIB := /usr/libPYTHON_LIB := $(ANACONDA_HOME)/lib \              $(ANACONDA_HOME)/pkgs/python-3.6.3-h0ef2715_3/lib以上内容一定要仔细查看自己相应的目录一一对应，若没有相关目录一定是少安装了某些依赖，这一步配置好了后面就不会有什么错误

• 修改 Makefile 文件把下面第一行代码改为第二行代码

LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial

• 编辑 /usr/local/cuda/include/host_config.h ，将其中的第115行注释掉
  //#error -- unsupported GNU version! gcc versions later than 5 are not supported!


• 编译 caffe

mkdir buildcd buildcmake ..sudo make allsudo make installsudo make runtest

所有的 RUN 都为 OK 的话就编译成功了

• 编译 python 接口

cd .. #到caffe-master目录sudo make pycaffe -j4

若出现 cannot find -lboost_python3 错误（参考 http://blog.csdn.net/u012675539/article/details/51351553），首先检查是否有文件存在 ls /usr/lib/x86_64-linux-gnu/libboost_python-py35.so，若存在则建立软链接

sudo ln -s libboost_python-py35.so libboost_python3.sosudo ln -s libboost_python-py35.a libboost_python3.asudo ln -s libboost_python-py35.so.1.58.0 libboost_python3.so.1.58.0然后 sudo gedit /etc/ld.so.conf添加 /usr/lib/x86_64-linux-gnusudo ldconfig

然后重新编译

sudo make clean sudo make pycaffe -j4

• 添加环境变量

sudo gedit ~/.bashrc最后一行添加export PYTHONPATH=/home/senius/Software/caffe-master/python:$PYTHONPATHsource ~/.bashrc

• 测试 python 接口
  进入终端 import caffe 不报错说明安装成功

---

经过两天的尝试最终总算是配置好了 Tensorflow 和 Caffe ，这其中走了太多的弯路，特此分享一下曲折的经历以方便大家也方便自己以后更高效地配置相关环境。